Игорь Градов
Игорь Градов
· Обновлено 20 июня 2026 г.5 мин
ai

Создание ИИ-агентов на практике: 60+ статей Хабра закрывают разрыв с англоязычными гайдами

Мультимодальные модели и ИИ-агенты учатся видеть, слышать и читать код одновременно, и русскоязычное сообщество на Хабре за полтора месяца собрало больше 60 практических статей о том, как поставить создание ИИ агентов на рабочие рельсы.

Почему это важно

Подборка закрывает разрыв между англоязычными гайдами и реальной практикой в Java/Spring-экосистеме: боевые ошибки, локальные паттерны harness-инфраструктуры (обвязки вокруг модели, которая не даёт ей уйти в сторону) и конкретные промпты, которых нет в официальной документации.

С конца апреля 2026 года разработчик из русскоязычного сообщества Хабра ежедневно просматривает хабы «ИИ», «Java», «Python», «Аналитика» и «Тестирование», отбирая статьи по агентной разработке. Результат: каталог из более чем 60 материалов с датами и ссылками, опубликованный 11 июня 2026 года. Автор открыто просит дополнять список в комментариях, то есть подборка растёт.

Ниже: как использовать этот каталог, чтобы выстроить собственный процесс создания ИИ агентов, и какие статьи из списка решают конкретные задачи.

Что понадобится

  • Доступ к Хабру и оригинальной подборке (ссылка в конце статьи)
  • Кодовый агент на выбор: Claude Code, Cursor или Codex CLI (инструменты командной строки и IDE, которые пишут код по текстовому запросу)
  • Базовое понимание Spring или Python, чтобы читать примеры; для маркетологов и авторов хватит общих статей из списка
  • Час-полтора на первичный разбор: отобрать 5-7 статей под свою роль, остальные добавить в закладки

Пошаговый маршрут по подборке

  1. Определите точку входа. Если вы не разработчик, начните со статьи «LLM не работает за вас. Она работает с вами» (25 мая) и «Нейросеть не второй программист» (16 мая). Обе объясняют, как разделить задачи между человеком и моделью без единой строки кода.

  2. Разберитесь с harness-инфраструктурой. Harness (обвязка) это набор правил, промптов и скриптов, которые не дают агенту ломать проект. Ключевые статьи:

  3. «Harness вокруг LLM: что я понял за год ежедневной работы» (16 мая)
  4. «Харнесс вокруг кодящего агента, или Как я создал собственного монстра» (9 июня)
  5. «Harness под любую задачу: Dynamic Workflow в Claude Code» (3 июня)

  6. Настройте системный промпт и skills. Системный промпт (инструкция, которую агент получает до вашего запроса) определяет качество результата. Прочитайте:

  7. «Skills для AI-агентов: всё, что тебе нужно знать» (8 мая)
  8. «Один промпт разросся в регламент: как я разделяю ответственность внутри AI-навыка» (8 июня)
  9. «Как настроить AI-агента под проект: контекст, rules, skills, MCP» (6 мая)

  10. Проверьте на боевых ошибках. Прежде чем выкатывать агент в продакшен (рабочую среду), изучите антипаттерны:

  11. «Мы попробовали Claude Code в энтерпрайз-разработке и собрали за вас восемь проблем» (8 июня)
  12. «256 зелёных тестов на нерабочем коде» (27 мая) показывает, как модель генерирует тесты, которые проходят, но не проверяют ничего
  13. «Cursor пишет вам unit-тесты за минуту. 5 паттернов, на которых эти тесты пропустят любой баг» (29 мая)

  14. Масштабируйте через оркестрацию. Когда один агент работает стабильно, добавляйте субагентов:

  15. «Собрал оркестратор для Codex на базе Beads и Superpowers» (19 мая)
  16. «Опыт использования субагентов в AI-агенте для IDE: что реально работает на больших задачах» (13 мая)

  17. Управляйте контекстом. Мультимодальный (работающий с текстом, кодом, изображениями) агент теряет нить на длинных задачах. Решения:

  18. «Контекст: сбрасывать нельзя компактизировать» (2 июня)
  19. «Почему AI-агенты ломаются на длинных задачах» (22 мая)
  20. «Среда агента: контекст, архитектурные границы, память проекта» (13 мая)

Что с этого прямо сейчас, по ролям?

Автору Дзена. Статья «Вайбаналитика: как я учил LLM описывать бизнес-процессы, а не имитировать их» (30 мая) показывает паттерн, который переносится на контент: давайте модели структуру бизнес-логики, а не просите «напиши красиво». Применимо к любому тексту.

Разработчику на Spring/Java. «Spring Agent Toolkit: ультимативный набор для вашего AI-агента» (18 мая) и «Как я заставил AI-агента писать нормальный код на Spring» (30 мая) дают готовый стартовый набор. Статья про Skill of the week: Spring Explore (9 июня) закрывает первичный сбор контекста.

Маркетологу и предпринимателю в РФ. Все статьи на русском, все инструменты (Claude Code, Cursor, Codex CLI) работают из России через API. Из российских аналогов для экспериментов с агентами подойдут YandexGPT и GigaChat, хотя агентная экосистема вокруг них пока заметно беднее.

Как это применить на практике

Задача: за один вечер собрать harness для Claude Code под существующий Spring-проект.

Шаг 1. Прочитали «Год с Claude Code: как собрать рабочую конфигурацию с первого запуска» (6 мая) и взяли оттуда структуру файла .claude/settings.json.

Шаг 2. Из статьи «Harness под любую задачу: Dynamic Workflow в Claude Code» (3 июня) скопировали шаблон динамического воркфлоу.

Шаг 3. Добавили skills по инструкции из «Skills для AI-агентов» (8 мая).

Результат: агент перестал переписывать конфигурацию базы данных при каждом запуске и начал следовать архитектурным границам проекта. Без harness он за три итерации ломал миграции; с harness прошёл 14 итераций без ручного вмешательства.

Частые ошибки

Начинать без harness. Статья «256 зелёных тестов на нерабочем коде» (27 мая) показывает: агент без ограничений генерирует «услужливые» тесты, которые всегда проходят, но ничего не проверяют. Ловушка в том, что дашборд зелёный, а код нерабочий.

Давать агенту весь контекст разом. По материалу «Контекст: сбрасывать нельзя компактизировать» (2 июня), раздутый контекст снижает качество ответов. Компактизируйте (сжимайте до сути), а не сбрасывайте.

Путать роли. «Два окна в работе с AI-агентами: архитектор и разработчик» (6 мая) объясняет: один агент планирует, другой кодит. Если смешать, агент чинит симптом, а не баг (подтверждено бенчмарками из статьи от 8 мая про BugSwarm).

Игнорировать документационный долг. «Когда Claude Code ошибается не по своей вине» (25 мая): если документация проекта устарела, агент будет галлюцинировать (уверенно выдумывать несуществующее), опираясь на ложный контекст.

Мнение редакции dzen.guru

Подборка ценна не отдельными статьями, а тем, что показывает эволюцию мышления целого сообщества за полтора месяца. В начале мая авторы спорили, нужен ли вообще harness. К июню harness стал стандартом, а дискуссия сместилась к оркестрации субагентов и управлению контекстом.

По моим наблюдениям, создание ИИ агентов в 2026 году уже не про «попросить нейросеть написать код». Это инженерная дисциплина с собственными паттернами, антипаттернами и инфраструктурой.

Честная оговорка: подборка заточена под Claude Code и Cursor. Если вы работаете с другими инструментами, часть советов по настройке не перенесётся напрямую. Принципы (harness, skills, управление контекстом) универсальны, а конкретные конфиги придётся адаптировать.

Попробуйте AI-ассистент dzen.guru

Если вы автор или маркетолог и хотите применить агентный подход к контенту, начните с нашего инструмента

Попробовать бесплатно

Сохраните оригинальную подборку в закладки и возвращайтесь к ней раз в неделю: автор обещает обновлять список ежедневно и добавлять комментарии к каждой статье.

Поделиться:TelegramVK
Игорь Градов
Игорь Градов

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».

Комментарии

Читайте также

Graph RAG позволил моделям с 2 млрд параметров решить задачу, которую без графа не решила ни одна
ai

Graph RAG позволил моделям с 2 млрд параметров решить задачу, которую без графа не решила ни одна

Graph RAG (граф знаний для поиска по документам, дополняющий генерацию) позволяет даже компактным моделям с 2-8 миллиардами параметров решать сложные…

8 мин
LLM-конвейер молча теряет записи: три бага, которые не видны в сводке
ai

LLM-конвейер молча теряет записи: три бага, которые не видны в сводке

Конвейеры на базе больших языковых моделей (LLM, от англ. Large Language Model) часто теряют записи так, что итоговые проверки показывают успех, а пользователь…

7 мин
ai

Профи.ру встроил LLM поверх Elasticsearch: 150 000 запросов в час без замены движка

Дмитрий, лид отдела семантики в Профи.ру, рассказал, как команда встроила языковую модель в поиск услуг поверх Elasticsearch, не выбрасывая классический…

6 мин