Claude Code и автономные агенты: кратко о главном
🎯 О чём этот конспект: Архитектурные принципы, скрытые механики и передовые методы работы с Claude Code от его создателя Бориса Черного. Разбор методологии абляции системных промптов, оркестрации тысяч параллельных агентов через динамические воркфлоу (Dynamic Workflows), настройка фоновых рутин самообслуживания кодовой базы и переход от промпт-инжиниринга к инженерии верификации.
👤 Кому будет полезно: Вайбкодерам, AI-инженерам, фаундерам стартапов и разработчикам, которые создают продукты с помощью автономных AI-агентов и хотят запускать сложные многодневные задачи с максимальным рычагом.
✨ Что получите: Готовые шаблоны промптов для запуска автономных задач с самопроверкой, системные переменные для тестирования чистых моделей, архитектуру фоновых рутин (удаление мертвого кода, «полиция абстракций») и методологию масштабирования задач через тысячи агентов.
1. Методология абляции: удаление 80% системного промпта и чистка CLAUDE.md
Контекст: При развитии базовых LLM старые системные промпты и скаффолдинг начинают деградировать качество работы. В ранних версиях агентов промпты компенсировали неспособность модели понимать структуру проекта или синтаксис, но в новых поколениях (уровня Claude Opus и Sonnet) эти инструкции превращаются в ограничители. Разработчики Claude Code удалили более 80% системного промпта и регулярно проводят абляцию: стирают инструкции до нуля и возвращают только те строки, без которых модель совершает повторяющиеся ошибки.
Тайминг: , , ,
Выгода: Экономия до 80% контекстного окна на системные инструкции, ускорение генерации, устранение конфликтующих правил и повышение фактического интеллекта модели за счет устранения искусственных ограничений.
Как применить:
- Шаг 1: Запуск Claude Code в минималистичном режиме (Simple Mode) — Терминал] — Используйте недокументированную переменную окружения
CLAUDE_CODE_SIMPLE=1. Это полностью удаляет системный промпт Claude Code и промпты встроенных инструментов, позволяя оценить «чистый» интеллект модели:
export CLAUDE_CODE_SIMPLE=1
claude- Шаг 2: Тестирование кастомного системного промпта — Claude Code CLI] — Если вы хотите протестировать поведение агента с абсолютно чистым или минимальным контекстом, передайте пустой или специализированный флаг:
claude --system-prompt "You are an expert engineer. Accomplish the task directly and verify your output."- Шаг 3: Проведение 6-месячной абляции файлов конфигурации — Проектный репозиторий] — Раз в полгода полностью очищайте локальный контекст агента:
- Временно удалите или переименуйте файл
CLAUDE.md(или.cursorrules). - Удалите кастомные хуки (hooks) и кастомные навыки (skills).
- Запустите модель на реальных задачах вашего репозитория.
- Возвращайте правила обратно строго по одной строке и только тогда, когда модель систематически спотыкается на одном и том же нюансе внутренней архитектуры.
- Временно удалите или переименуйте файл
Результат: Чистая рабочая среда без устаревших ограничений, где контекстное окно расходуется исключительно на код задачи, а агент действует без навязанных устаревших шаблонов.
2. Концепция «продуктового навеса» (Product Overhang) и снятие ограничений
Контекст: «Продуктовый навес» — это разрыв между реальными возможностями современной LLM и ограничениями, которые накладывают на неё интерфейсы и продукты. Модели уже умеют решать сложные инженерные задачи, но традиционные инструменты зажимали их в рамки автокомплита строк или чатов только для чтения. Claude Code возник именно тогда, когда с модели сняли ограничения: убрали громоздкий скаффолдинг и дали прямой доступ к терминалу и модификации файлов целиком.
Тайминг: , , ,
Выгода: Возможность делегировать модели создание фич целиком, масштабный рефакторинг и сквозную автоматизацию вместо построчного написания кода под ручным контролем.
Как применить:
- Шаг 1: Повышение уровня абстракции в постановке задач — Claude Code / Cursor] — Перестаньте диктовать модели пошаговый алгоритм (как именно писать код). Формулируйте запрос на уровне целей, ограничений и критериев готовности.
- Шаг 2: Формулирование промпта без микроменеджмента — Используйте шаблон высокоуровневого делегирования:
Задача: Реализовать модуль аутентификации пользователей через OAuth2 (Google и GitHub) для REST API.
Архитектурные рамки и ограничения:
- Использовать существующий стек: Node.js, Fastify, Prisma ORM.
- Сессии хранить в Redis с TTL 24 часа.
- Не менять схему существующих таблиц пользователей, добавить только связующую таблицу oauth_accounts.
Критерии завершения работы:
1. Написаны и успешно проходят интеграционные тесты для обоих провайдеров.
2. Реализована обработка ошибок (отмена авторизации, несовпадение email).
3. Документация в Swagger/OpenAPI сгенерирована автоматически.
Используй терминал для запуска тестов и верификации. Не останавливайся, пока все тесты не будут зелеными.Результат: Модель выбирает оптимальный путь решения самостоятельно, не упираясь в навязанную разработчиком ошибочную или устаревшую микро-логику.
3. Инженерия верификации: автономная работа агента на протяжении дней и недель
Контекст: Классический промпт-инжиниринг сменяется навыком обеспечения обратной связи: как поставить агенту сверхсложную задачу и дать инструмент автономной проверки каждого шага. Если у модели есть механизм объективной валидации (запуск тестов, линтер, сборка скриншотов), она может работать автономно 10–15 дней подряд без отклонения от курса. В Anthropic продемонстрировали этот подход, поставив задачу переписать десктопное приложение Claude с Electron на нативный Swift исключительно через автоматическое попиксельное сравнение скриншотов.
Тайминг: , , ,
Выгода: Решение масштабных миграций и рефакторингов без участия человека. Запуск задач длительностью в сотни часов вычислений без застревания агента в галлюцинациях.
Как применить:
- Шаг 1: Обеспечение окружения для исполнения и обратной связи — GitHub Actions / Docker / Runner] — Подключите агента к среде исполнения, где он может запускать сборку, делать снимки экрана или прогонять тесты.
- Шаг 2: Формулирование промпта с замкнутым циклом самопроверки (Feedback Loop) — Используйте структуру, аналогичную кейсу попиксельной сверки:
Контекст: В репозитории находится эталонная версия приложения на Electron (ветка `reference-electron`) и чистый каркас приложения на Swift (ветка `main`).
Твоя цель: Полностью переписать функционал и UI приложения с Electron на Swift.
Механизм верификации:
1. Запусти текущую сборку Electron-приложения на виртуальной машине.
2. Сделай скриншот ключевого экрана / состояния UI.
3. Собери Swift-версию, запусти её и сделай скриншот того же экрана.
4. Выполни попиксельное сравнение двух изображений (pixel-by-pixel diff).
5. Если обнаружены расхождения в верстке, шрифтах или логике: проанализируй diff, исправь код на Swift, повтори сборку и проверку.
6. Публикуй текущий статус и скриншоты прогресса в выделенный лог каждые 30 минут.
Работай циклично. Не останавливайся, пока UI и функционал Swift-версии не совпадут с эталоном на 100%.Результат: Агент получает замкнутый цикл: «действие → проверка результата → выявление ошибки → исправление» и способен непрерывно работать неделями до полного завершения задачи.
4. Динамические воркфлоу (Dynamic Workflows): масштабирование вычислений на тысячи агентов
Контекст: Динамический воркфлоу (Dynamic Workflow) в Claude Code — это встроенный механизм масштабирования вычислений на этапе исполнения (test-time compute). Внутри песочницы на базе JavaScript-рантайма Bun запускается оркестратор («алгебра агентов»), который автоматически разбивает крупную комплексную задачу на параллельные и последовательные слои, порождая сотни и тысячи субагентов для анализа, генерации, верификации и слияния кода. Пример: миграция более 100 000 строк низкоуровневого кода рантайма Bun выполнялась 11 дней непрерывно одним воркфлоу.
Тайминг: , , ,
Выгода: Автоматизация задач enterprise-уровня (миграция кодовых баз, межъязыковой перенос, масштабный фаззинг), требующих десятков миллионов токенов и параллельной работы без ручной координации.
Как применить:
- Шаг 1: Активация динамического воркфлоу в Claude Code — Claude Code CLI] — Достаточно явно указать модели ключевую фразу на запуск механизма оркестрации:
Используй workflow для выполнения следующей задачи: переписать весь бэкенд проекта с Python/Flask на Go.- Шаг 2: Организация архитектуры тестового покрытия перед запуском — Запуск тысяч агентов эффективен только при наличии надежного набора тестов. Перед миграцией убедитесь, что в исходном проекте зафиксированы сквозные (e2e) и интеграционные тесты.
- Шаг 3: Формулирование промпта для масштабной миграции — Задайте правила оркестрации этапов:
Используй динамический workflow.
Задача: Полная миграция сервиса обработки платежей с PHP на Rust.
План исполнения workflow:
1. Группа агентов 1 (Анализ): Просканировать все эндпоинты, типы данных и составить карту зависимостей.
2. Группа агентов 2 (Генерация тестов): Написать интеграционные blackbox-тесты на основе входящих/исходящих HTTP-запросов эталонного сервиса.
3. Группа агентов 3 (Параллельная реализация): Разбить модули на независимые чанки и параллельно реализовать их на Rust.
4. Группа агентов 4 (Верификация и бенчмарки): Прогнать blackbox-тесты против реализации на Rust, устранить расхождения памяти и типов.
Оркестрируй субагентов параллельно, сохраняй промежуточный прогресс в git-коммиты для каждого модуля.Результат: Автономный пайплайн распределяет токены и контекст между специализированными субагентами, не перегружая общее контекстное окно одной сессии.
5. Автономное самообслуживание кодовой базы: циклы (Loops) и облачные рутины (Routines)
Контекст: В Claude Code разделены два формата длительных задач:
- Динамические воркфлоу — берут одну огромную задачу и декомпозируют её на дерево субагентов.
- Циклы (Loops) и Рутины (Routines) — периодические фоновые задачи (крон-джобы), которые не делят общий контекст диалога, но могут иметь доступ к единой долговременной памяти проекта. Локальные циклы крутятся на машине разработчика, а облачные рутины работают независимо в фоне. Команда Claude Code использует 20–30 ежедневных рутин для автоматической поддержки CLI, iOS, Android и десктопных приложений.
Тайминг: , , ,
Выгода: Полная ликвидация технического долга без отвлечения разработчиков: автоматическое удаление неиспользуемого кода, удаление отработавших фича-флагов, дописывание тестов и унификация повторяющихся архитектурных абстракций.
Как применить:
- Шаг 1: Настройка рутины очистки мертвого кода (Dead Code Cleanup) — Запустите периодическую задачу с лаконичным промптом:
Просканируй все репозитории проекта с помощью статического и динамического анализа. Найди неиспользуемые функции, устаревшие типы данных, мертвые эндпоинты и неиспользуемые зависимости. Создай Pull Request с удалением лишнего кода и кратким описанием удаленных сущностей.- Шаг 2: Настройка рутины «Полиция абстракций» (Abstraction Police) — Рутина находит логику, которую разные разработчики продублировали в разных частях проекта, и сводит её к единому интерфейсу:
Обойди всю кодовую базу. Найди дублирующиеся или почти идентичные абстракции, утилитарные функции и интерфейсы работы с базой/сетью, реализованные в разных модулях. Унифицируй их в единый переиспользуемый модуль, обнови вызовы по всему проекту и убедись, что все юнит-тесты проходят успешно. Оформи результат в Pull Request.- Шаг 3: Настройка рутины зачистки фича-флагов (Feature Flags Cleanup) — Автоматическое удаление устаревших условий ветвления:
Проверь систему фича-флагов проекта. Для всех флагов, которые раскатаны на 100% пользователей более 14 дней назад: удали условия if/else из исходного кода, оставь только ветку с новым поведением, удали упоминание флага из конфигураций и отправь PR.Результат: Кодовая база очищается ежедневно силами десятков автономных агентов. Инженеры освобождены от рутинного рефакторинга и фокусируются на продуктовых фичах.
6. Эмпирический подход к AI-разработке и управление системой оценок (Evals)
Контекст: Разработка с использованием ИИ перешла из теоретической дисциплины в эмпирическую науку. Традиционные методы планирования архитектуры «на века» не работают, так как каждое новое поколение моделей обладает другим характером и новыми скрытыми навыками. Единственный стабильный элемент — это система оценивания (Evals), но и она живет максимум 2–3 поколения моделей, после чего насыщенность бенчмарка достигает 100% и его требуется заменять.
Тайминг: , , ,
Выгода: Отказ от избыточного проектирования, сохранение гибкости кодовой базы, быстрая адаптация к новым возможностям моделей в день их релиза.
Как применить:
- Шаг 1: Фиксация измеримых Evals вместо жестких спецификаций — Для каждого критического узла создайте набор входных данных и ожидаемых результатов (golden datasets), не диктуя модели внутреннюю реализацию.
- Шаг 2: Ротация системы оценивания при достижении насыщения — Как только модель начинает стабильно выбивать близкий к 100% результат на ваших тестах, немедленно выбрасывайте старый бенчмарк и создавайте новый с граничными случаями, на которых текущая модель ошибается.
- Шаг 3: Эксперименты с неизведанными возможностями модели — Регулярно тестируйте неочевидные сценарии (например, генерация графики через OpenCV, поиск утечек памяти через фаззинг, оптимизация ассемблерных вставок).
Результат: Продукты и архитектура развиваются параллельно с экспоненциальным ростом моделей без накопления устаревших архитектурных надстроек.
Claude Code и автономные агенты: ответы на частые вопросы
В: Что делает переменная окружения CLAUDE_CODE_SIMPLE=1? О: Это недокументированный диагностический режим Claude Code. Он полностью вырезает системный промпт и промпты для встроенных инструментов. Разработчики Anthropic используют его для оценки чистого интеллекта модели (абляции) и проверки того, какие инструкции действительно необходимы, а какие только мешают работе.
В: Чем Dynamic Workflows отличаются от Loops и Routines в Claude Code? О: Динамический воркфлоу берет одну масштабную задачу (например, переписать 100k строк кода) и динамически распределяет её по фазам, параллельно оркестрируя тысячи субагентов. Циклы (Loops) и рутины (Routines) — это повторяющиеся по таймеру крон-задачи для постоянного обслуживания репозитория (удаление мертвого кода, рефакторинг), где каждый запуск независим.
В: Как заставить Claude Code работать автономно более двух недель над одной задачей? О: Для этого требуется два фактора: отсутствие микроменеджмента в промпте и наличие четкого механизма объективной самопроверки. Дайте агенту доступ к среде исполнения (виртуальная машина, раннер), опишите задачу на верхнем уровне абстракции и задайте критерий остановки через автоматическую проверку (прогон тестов, линтер или попиксельное сравнение скриншотов).
В: Что такое «продуктовый навес» (Product Overhang)? О: Это концепция, согласно которой современные модели уже обладают скрытыми возможностями решать сложные задачи, но интерфейсы существующих продуктов мешают им это проявить. Создание прорывного AI-инструмента заключается в «снятии ограничений» — предоставлении модели прямого доступа к необходимым ресурсам (например, терминалу или компилятору) без посредников.
В: Что нужно делать с файлом CLAUDE.md при выходе новой версии модели? О: Создатель Claude Code рекомендует полностью удалять CLAUDE.md, навыки и хуки каждые 6 месяцев. Запустите новую модель на чистой кодовой базе и добавляйте инструкции обратно строго по одной строке только в тех случаях, когда модель систематически спотыкается о неочевидные архитектурные особенности проекта.
В: Как работает «полиция абстракций» (Abstraction Police)? О: Это фоновая рутина, которая ежедневно анализирует кодовую базу в поисках похожих структур, утилит и интерфейсов, написанных разными инженерами независимо друг от друга. Агент объединяет дубликаты в единую переиспользуемую абстракцию, переписывает места вызова, проверяет проект тестами и создает готовый Pull Request.
В: Почему вредно писать подробные пошаговые инструкции в промптах для современных моделей? О: Избыточная спецификация заставляет модель следовать предвзятому пути разработчика, который часто бывает неоптимальным. Продвинутые модели лучше справляются с задачей, если им заданы конечные цели, контекст ограничений и средства проверки, позволяющие модели самой выстроить траекторию решения.
Claude Code и автономные агенты: инструменты и ссылки из видео
- Claude Code CLI — официальный консольный агент от Anthropic для разработки программного обеспечения через терминал — упомянут в видео.
- Bun Runtime — быстрый альтернативный JavaScript/TypeScript рантайм, на котором построена архитектура Claude Code и среда изоляции субагентов — упомянут в видео.
- OpenCV — открытая библиотека компьютерного зрения, упомянутая как пример нестандартного использования моделей Claude для генерации графики — упомянут в видео.
- ARC-AGI 3 — эталонный бенчмарк для измерения обобщенного интеллекта и рассуждений ИИ-моделей — упомянут в видео.
Конспект создан на основе видео «Создатель Claude Code: как запускать 1000 агентов, переписывать кодовые базы и строить продукты нового поколения» канала с аналитикой ИИ. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=qIMvYXUDO-Q
