🚨 Ошибка, которую допускают многие при использовании Claude Code, Codex или других ИИ для программирования: они думают, что ИИ плохо пишет код из-за того, что модель недостаточно умна, и постоянно переключаются на более мощные модели!
Но проблема иногда не в модели, а в том, как вы организуете для неё рабочую среду. 😳
Я недавно нашёл Learn Harness Engineering — репозиторий, набравший более 24 700 звёзд на GitHub, который учит, как превратить ИИ-агент для написания кода из простого помощника, выполняющего команды, в систему с чётким процессом, способную запоминать прогресс и самостоятельно проверять результаты.
Самое главное — этот репозиторий не только объясняет теорию, но и содержит 14 уроков и 8 практических проектов, которые помогут вам:
Настроить AGENTS.md, чтобы ИИ понимал правила и структуру проекта.
Сохранять состояние, чтобы следующая сессия продолжила работу с того места, где остановилась.
Заставлять ИИ запускать тесты и проверять результаты вместо того, чтобы просто заявлять о завершении кода.
Создавать автоматизированные циклы, распределяя роли между ИИ-программистом и ИИ-тестировщиком.
Особенно ценно то, что репозиторий анализирует, как Claude Code, OpenAI Codex, DeepSeek и Pi реализуют Harness на практике.
Есть готовые шаблоны для внедрения в ваши проекты, исходный код с лицензией MIT и поддержка на вьетнамском языке.
Я считаю, что это обязательный материал для всех, кто работает с ИИ-программированием — ведь будущее не в том, какую более умную модель выбрать, а в том, кто умеет организовать работу ИИ так, чтобы он был надёжнее.
🔗👇