ИИ-агент для написания кода: как писать код вместе с агентом локально

Помощники для кода бывают двух очень разных типов, и их постоянно путают. Одни дополняют строку, пока ты печатаешь, — это автодополнение. Другие берут задачу целиком: читают проект, пишут код в нескольких файлах, запускают его и правят по результату. Это агенты. Разница принципиальная, и если ты ищешь именно второе, разберёмся, как это работает и чего от этого ждать.

Автодополнение и агент — не одно и то же

Автодополнение живёт внутри редактора и подсказывает следующую строку. Оно ускоряет набор, но задачу не делает — думаешь и ведёшь всё равно ты. Именно так устроены Copilot и подобные инструменты в редакторе.

Агент работает иначе. Ты описываешь, что нужно, словами, а он сам решает, какие файлы открыть, что в них поменять, какую команду запустить. Ты не печатаешь код вместе с ним — ты ставишь задачу и проверяешь результат. Об отличии агента от обычного редактора вроде Cursor подробнее в отдельной статье; здесь сосредоточимся на том, как выглядит работа с агентом.

Как выглядит рабочий цикл

Лучше всего понять агента через типичный цикл. Ты говоришь: «найди, почему падает вот этот тест, и почини». Дальше Дока действует по шагам:

Сначала агент читает нужные файлы, чтобы понять контекст. Потом вносит правку. Затем запускает тест в терминале и смотрит на вывод. Если тест всё ещё красный, агент видит ошибку, правит снова и повторяет — пока не заработает или пока не упрётся в то, что нужно твоё решение.

Ключевое здесь — обратная связь. Агент не выдаёт код вслепую, а проверяет себя результатом запуска. Это и отличает «сделал» от «предложил»: ты получаешь не гипотезу, а то, что действительно прошло проверку.

Какую модель выбрать для кода

От модели зависит качество кода, и тут есть выбор. Дока не привязана к одному провайдеру: можно работать на встроенной локальной модели, подключить кодовую модель вроде Qwen Coder своим .gguf-файлом или через Ollama/LM Studio, а можно подключить облачную по API на тяжёлую задачу.

Практическое правило простое. Приватный или рабочий код, который не хочется выпускать наружу, — держи на локальной модели. Разовую сложную задачу без секретности, где нужна максимальная сила, — можно отдать облачной. Переключение занимает секунды, так что выбирать можно под конкретную задачу, а не раз и навсегда.

Почему локально — это удобно для кода

Код — это ровно тот случай, где приватность не абстрактна. Рабочие репозитории, закрытые проекты, куски с ключами и внутренней логикой — всё это не хочется отправлять в чужое облако. Локальный агент держит и код, и модель на твоей машине, так что вопрос «а куда ушёл мой проект» просто не возникает.

Бонусом — никаких лимитов и подписки: локальная модель работает бесплатно, сколько угодно. Для экспериментов и вайбкодинга, где ты гоняешь агента десятками итераций, это заметно.

Где проходит граница доверия

Честная часть, без которой картинка будет неполной. Агент ошибается. Он может написать код, который компилируется и проходит линтер, но делает не то, потому что неверно понял задачу. Поэтому правило: читай, что он сделал. Дока показывает шаги агента и изменения, и это не формальность — это твоя точка контроля.

Особенно важно не отключать внимание на длинных сессиях. Соблазн принимать всё подряд, когда «вроде работает», велик, но именно так в проект и просачиваются тихие ошибки. Правильный режим — агент делает тяжёлую механическую часть, а осмысленные решения и финальную проверку оставляешь себе.

С чего начать

Не поручай агенту сразу большую фичу с нуля. Начни с задач, у которых есть понятная проверка: почини падающий тест, добавь небольшую функцию с тестом, проведи механический рефактор. На таких задачах быстро появляется чувство, где агент реально экономит время, а где нужен твой контроль. Дальше — расширяешь по мере доверия.

Скачать Доку можно бесплатно, а как устроен агент в целом — в статье про локальный ИИ-агент.