🎯 О чём этот конспект: Разбор продвинутых техник использования AI-инструментов (Claude Code, MCP, навыки/skills) для профессиональной разработки. В центре внимания — переход от простого чата к автономным агентам, которые пишут тесты, исправляют баги и управляют инфраструктурой.

👤 Кому будет полезно: Разработчикам (особенно на Go, но применимо ко всем), вайбкодерам и тем, кто хочет выжать максимум из подписок на Claude и GPT, автоматизируя рутину.

✨ Что получите: Пошаговые алгоритмы настройки Claude Code, понимание того, как использовать MCP (Model Context Protocol) для связи с Jira/DB, и методику запуска параллельных AI-агентов для решения сложных задач.

1. Настройка Claude Code: От чата к глубокой интеграции

Контекст: Профессиональное использование AI в разработке требует передачи максимального контекста. Вместо копирования кусков кода вручную, Claude Code работает напрямую с файловой системой, понимает структуру проекта и может самостоятельно запускать команды в терминале. Это позволяет AI не просто «советовать», а реально выполнять задачи: от создания ручек API до рефакторинга целых слоев приложения.

Выгода: Сокращение времени на рутинные задачи (проброс параметров через слои, написание конвертеров) в 3-5 раз.

Как применить:

• Шаг 1: Инициализация контекста — Claude Code — Запустите утилиту в корне проекта. Обязательно выполните команду инициализации, чтобы AI просканировал структуру:

    claude init

• Шаг 2: Создание CLAUDE.md — Claude Code — Создайте в корне файл CLAUDE.md. Это «инструкция по эксплуатации» вашего проекта для AI. Укажите там:
  • Как запускать тесты (например, go test ./...).
  • Стиль кодирования (например, «используй ранние выходы return вместо вложенных if»).
  • Специфику архитектуры.
• Шаг 3: Глобальные инструкции — Настройте глобальный конфиг Claude для всех проектов, чтобы запретить ему писать очевидные комментарии (типа // get user перед функцией GetUser) и заставить писать «чистый код».

Результат: AI понимает проект как единое целое, а не как набор разрозненных файлов.

2. Использование MCP (Model Context Protocol) и Skills

Контекст: Модели ограничены своими знаниями. MCP позволяет Claude «выходить в мир»: читать задачи из Jira, смотреть схему базы данных или документацию библиотек в реальном времени. Skills (навыки) — это наборы инструкций и инструментов, которые учат Claude выполнять специфические действия, например, писать QA-заметки или оформлять коммиты по стандарту.

Выгода: AI получает доступ к актуальным бизнес-требованиям и техническим данным без ручного копипаста.

Как применить:

• Шаг 1: Подключение Jira через MCP — MCP — Настройте сервер MCP для Jira. Теперь вместо копирования текста задачи можно просто кинуть ссылку:

    Проанализируй задачу по ссылке: https://yourcompany.atlassian.net/browse/TASK-123 и предложи план реализации.

• Шаг 2: Создание навыка (Skill) для QA — Skills — Создайте папку .claude/skills и добавьте файл qa_notes.md. Опишите в нем формат заметок для тестировщиков.
• Шаг 3: Автоматизация базы знаний — Попросите Claude после каждой задачи обновлять ваш внутренний knowledge_base.md, фиксируя неочевидные технические решения.

Результат: Claude становится полноценным участником процесса, интегрированным в таск-трекер и документацию.

3. Параллельные агенты и оркестрация задач

Контекст: Для очень сложных задач (например, написание сервиса с нуля) один поток Claude может зайти в тупик. Продвинутый подход — запуск нескольких агентов параллельно. Один пишет код, другой — тесты, третий (оркестратор) проверяет их взаимодействие.

Выгода: Решение задач, с которыми не справляется «одиночная» модель из-за галлюцинаций или потери контекста.

Как применить:

• Шаг 1: Распределение ролей — Создайте специализированных агентов через @ (тегирование):
  • @developer — пишет основной функционал.
  • @tester — пишет Unit и интеграционные тесты.
  • @reviewer — проверяет код на баги.
• Шаг 2: Использование "Thinking" режима — Включайте режим глубокого размышления (Reasoning) для планирования архитектуры:

    /think Ультра-планирование: спроектируй систему кэширования для 5 уровней.

• Шаг 3: Перекрестное опыление моделей — Если Claude застрял, скопируйте его решение в ChatGPT o1 или Gemini 2.0/3.0 и попросите критику. Затем верните критику обратно в Claude.

Результат: Коллективный AI-разум выдает более стабильный и качественный код.

4. Вайбкодинг в инфраструктуре: Docker, CI/CD и Баги

Контекст: AI отлично справляется с настройкой окружения, где много шаблонного кода (YAML, Dockerfile). Также он эффективен в поиске багов через анализ логов.

Выгода: Экономия дней работы DevOps-инженера и часов ручного дебага.

Как применить:

• Шаг 1: Генерация CI/CD пайплайна — Claude Code — Дайте доступ к проекту и попросите:

    Настрой GitHub Actions для сборки Docker-образа и деплоя на стейджинг при пуше в main.

• Шаг 2: Анализ логов — Скиньте портянку логов из продакшена и попросите найти причину ошибки:

    Вот логи падения сервиса. Проанализируй цепочку вызовов в коде и найди, где происходит nil pointer dereference.

• Шаг 3: Разрешение конфликтов — Гит — Если при git rebase возникли конфликты, доверьте их Claude. Он лучше понимает логику изменений, чем стандартные инструменты разрешения конфликтов.

Результат: Быстрый запуск проектов и автоматизированное исправление ошибок.

5. Китайские модели и экстремальная скорость (X15)

Контекст: Существуют провайдеры (например, Cerebras), которые запускают открытые модели (Llama, DeepSeek, GLM) на специализированных чипах. Это дает скорость до 1000 токенов в секунду.

Выгода: Мгновенная генерация кода (целые файлы за 5 секунд) и экономия на подписках (китайские модели часто дешевле при сопоставимом качестве).

Как применить:

• Шаг 1: Регистрация у провайдера — Зарегистрируйтесь на Cerebras или OpenRouter.
• Шаг 2: Подмена модели в Claude Code — Через настройки или MCP подключите стороннюю модель (например, DeepSeek-V3 или GLM-4).
• Шаг 3: Использование для итераций — Используйте быструю модель для написания кода, а Claude Opus — для высокоуровневого планирования и ревью.

Результат: Процесс написания кода становится практически мгновенным.

FAQ

В: Не опасно ли давать Claude доступ к терминалу и базе данных?

О: Вы всегда можете использовать режим manual approve, где Claude спрашивает разрешение на каждую команду. Для безопасности баз данных лучше давать доступ только на чтение (read-only) или использовать локальные копии БД.

В: Что лучше: Cursor или Claude Code?

О: Cursor — это полноценная IDE (форк VS Code) с удобным UI. Claude Code — это CLI-инструмент. Опытные разработчики часто выбирают Claude Code, так как он лучше работает с терминалом и позволяет автоматизировать цепочки действий (агенты, хуки).

В: Как бороться с тем, что AI удаляет тесты или пишет // skip?

О: Это решается через CLAUDE.md. Пропишите жесткое правило: "Никогда не используй t.Skip() и не удаляй существующие тесты без явного указания. Если тест падает — чини код или тест, но не игнорируй".

В: Можно ли использовать AI для изучения языков программирования?

О: Да, и это эффективнее учебников. Используйте метод "уточки": объясняйте AI, как вы понимаете задачу, и просите его найти пробелы в вашей логике. Модели вроде Gemini 3.0 отлично справляются с ролью ментора.

В: Сколько стоит "полный фарш" для вайбкодера?

О: Базовая подписка Claude Pro — $20/мес. Продвинутые планы с повышенными лимитами могут стоить от $100 до $200/мес. Использование китайских моделей через API может быть дешевле — около $10-30 за активный месяц работы.

Конспект создан на основе видео «AI-агенты, Claude Code и вайбкодинг: как нейросети меняют разработку» канала Go Get Podcast. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=sAStJbLqqnA