ИИ в личных проектах: где он реально экономит часы, а где создаёт лишь видимость работы.
Несколько месяцев я тестировала современные ИИ-инструменты на собственных разработках. Задача была не просто генерировать код, а переосмыслить весь цикл — от постановки задачи до тестирования, ревью и проверки безопасности.
Самый предсказуемый выигрыш — планирование. Раньше я бросалась писать код почти сразу, теперь сначала описываю намерение: цель, ограничения, пограничные случаи, требования к безопасности. Агент помогает собрать спецификацию, критерии приёмки, декомпозицию, черновик архитектуры и перечень рисков. После ручной проверки такой план готовится за 30–60 минут вместо одного-двух вечеров. Здесь агенты стабильно хороши: находят противоречия и забытые сценарии.
В генерации кода я пробовала Cursor с Claude, GPT-4o и GigaCode, локальные Qwen2.5-Coder и DeepSeek-Coder через Ollama, а также LangGraph и OpenHands для более автономных задач. На типовых вещах — CRUD, интеграциях с API, миграциях, тестах и рефакторинге — ускорение выходило примерно в 2,5–4 раза. На новой бизнес-логике и архитектурных решениях — в 1,3–1,8 раза. Бывало, что ИИ только тормозил процесс. Главная иллюзия — будто агент выдал 70–80% готового кода. После ревью, правок, интеграции и проверки качества львиная доля времени уходила на понимание результата. Просто вместо набора символов я разбиралась с тем, что получилось. Чаще всего попадались несуществующие методы и API, код, плохо вписанный в архитектуру проекта, пропущенные проверки и уязвимости, а также уверенные, но ошибочные объяснения.
В одиночной разработке полноценного code review нет, поэтому я подключила отдельного ИИ-ревьюера с правилами проекта, статический анализ, автотесты и property-based тестирование. Unit-тесты агенты пишут неплохо, а вот сложные сценарии и e2e требуют серьёзного участия человека. Критичные участки — безопасность, архитектура и сложная бизнес-логика — я всегда просматриваю сама.
Безопасность оказалась главным узким местом. Даже в pet-проектах агенты регулярно предлагали небезопасные решения: SQL-инъекции, XSS, зашитые в код секреты, некорректную обработку данных. Добавились и специфические риски: prompt injection через входные данные, утечки через логи агентов, supply-chain-риски инструментов и зависимостей. Я добавила security-checklist в навыки агентов, ввела отдельное security-ревью и стала прописывать требования безопасности уже на этапе спецификации. Для чувствительного кода использую локальные модели. Очевидных ошибок стало меньше, но ручная проверка никуда не делась: скорость генерации легко обгоняет скорость контроля.
Что действительно сработало: подготовка спецификаций и планирование, типовой код и unit-тесты, исследование вариантов реализации, анализ и документирование существующего кода. Что оказалось иллюзией: многократный рост скорости без учёта ревью, почти безошибочная работа агентов и мысль, что в личных проектах о безопасности можно не думать. ИИ меняет роли тестировщика и разработчика: я меньше пишу код вручную и больше выступаю оркестратором агентов, владельцем качества и безопасности. Измерять стоит не скорость генерации, а время до рабочего, поддерживаемого и безопасного результата. Лучший эффект дают не отдельные промпты, а процесс: намерение → спецификация → реализация → тестирование → ревью.
Открытые модели уже закрывают значительную часть повседневных задач — особенно при хорошем контексте и инструментах. Но на сложных задачах закрытые пока часто выигрывают по качеству. А самый важный навык сегодня — не умение выпросить у агента код, а способность правильно поставить задачу и строго проверить результат.
Загрузка...
