🎯 О чём этот конспект: Разбор универсального и простого фреймворка для создания новых IT-продуктов (Greenfield) с помощью AI-кодинг агентов (Claude Code, Cursor и др.). Автор предлагает уйти от переусложненных многоагентных систем в пользу надежного процесса, основанного на планировании, итерациях и эволюции «AI-слоя» вашего проекта.

👤 Кому будет полезно: Вайбкодерам и разработчикам, которые хотят перестать «бороться» с галлюцинациями AI и перейти к предсказуемому созданию MVP за часы, а не дни.

✨ Что получите: Готовую структуру проекта, набор команд (скиллов) и методологию PIV (Plan, Implement, Validate) для быстрой сборки качественного кода с минимальным вмешательством вручную.

1. Создание AI-слоя (AI Layer)

Контекст: AI-слой — это набор ассетов в вашем репозитории, которые служат контекстом для агента. Вместо того чтобы каждый раз объяснять Claude или Cursor основы проекта, вы создаете «внешнюю память». Сюда входят PRD (Product Requirements Document), глобальные правила (rules) и кастомные команды. Главная цель — минимизировать количество необоснованных предположений (assumptions), которые делает AI, так как именно они ведут к 90% ошибок в коде.

Выгода: Экономия времени на повторных промптах и резкое снижение количества багов из-за недопонимания задачи.

Как применить:

• Шаг 1: Сбор требований через голос — [Инструмент: AquaVoice / Whisper] — Надиктуйте сырую идею проекта. Голос позволяет передать нюансы быстрее, чем текст (до 200+ слов в минуту).
• Шаг 2: Интервью с агентом — [Инструмент: Claude Code / Cursor] — Дайте агенту транскрипт и заставьте его задать вам 20 вопросов для уточнения деталей.
• Шаг 3: Генерация PRD — [Инструмент: Claude Code] — Используйте команду для создания структурированного документа PRD.md.

# Пример структуры PRD.md:
1. MVP Scope (что строим)
2. Out of Scope (что НЕ строим)
3. Tech Stack & Architecture
4. Directory Structure
5. Phases of Work (разбивка на мелкие этапы)

Результат: У вас есть «единый источник истины» для проекта, который понимает и человек, и AI.

2. Глобальные правила и прогрессивное раскрытие контекста

Контекст: Контекстное окно — ваш самый ценный ресурс. Если запихнуть в него всё сразу, AI начнет тупить. Автор предлагает использовать файл agents.mmd (или .cursorrules) для общих правил и отдельные файлы в папке reference/ для специфических задач (например, api.md, components.md). Агент должен обращаться к ним только тогда, когда работает над соответствующей частью кода.

Выгода: Высокая точность ответов за счет чистого контекста и отсутствие «каши» из правил в голове у AI.

Как применить:

• Шаг 1: Создание базовых правил — [Файл: agents.mmd] — Пропишите техстек, стратегии тестирования и логирования.
• Шаг 2: Настройка On-demand контекста — [Папка: reference/] — Создайте файлы с гайдлайнами по UI или API.
• Шаг 3: Ссылка в глобальных правилах — Добавьте в основной файл правил указание:

Если работаешь над фронтендом, сначала прочитай reference/components.md.
Если создаешь эндпоинты, изучи reference/api.md.

Результат: Агент всегда знает «как» писать код, не перегружая память лишней информацией.

3. Методология PIV (Plan, Implement, Validate)

Контекст: Это ядро процесса разработки. Каждая фича или фаза из PRD проходит через цикл: Планирование (создание детального task-list), Имплементация (полное делегирование кодинга агенту) и Валидация (автоматические тесты + ручная проверка). Важнейший нюанс: перед этапом Implement нужно сбросить контекст (начать новый чат), передав туда только финальный план.

Выгода: Исключение «накопленного мусора» в чате и гарантия того, что код соответствует архитектуре.

Как применить:

• Шаг 1: Vibe Planning — Обсудите архитектуру фичи в свободном стиле, используя sub-agents для поиска документации библиотек.
• Шаг 2: Structured Plan — Создайте файл плана на основе обсуждения.
• Шаг 3: Reset & Execute — Начните новый чат и дайте команду:

/execute plan_feature_1.md

Результат: Чистый, протестированный код, созданный строго по вашему заданию.

4. Команда /prime: Быстрый вход в контекст

Контекст: При начале новой сессии AI не знает, на чем вы остановились. Команда /prime заставляет агента просканировать репозиторий, прочитать git log (который служит долгосрочной памятью) и сопоставить текущее состояние с PRD.

Выгода: Мгновенная синхронизация агента с проектом без долгого ручного объяснения «что мы уже сделали».

Как применить:

• Шаг 1: Настройка команды — Создайте скилл/команду, которая выполняет git log -n 10 и читает PRD.md.
• Шаг 2: Запуск — Каждый раз, открывая проект утром или после перерыва, пишите:

/prime

Результат: Агент выдает отчет: «Я понял, мы на фазе 2, база данных настроена, сейчас нужно делать авторизацию».

5. Регрессионное тестирование и эволюция системы

Контекст: По мере роста проекта старые фичи могут ломаться. Автор рекомендует использовать AI-агентов для тестирования (например, QA Tech или Playwright), которые имитируют действия пользователя в браузере. Если найден баг — это сигнал к обновлению AI-слоя (правил), чтобы такая ошибка больше не повторялась.

Выгода: Стабильный продукт, который не разваливается при добавлении новых функций.

Как применить:

• Шаг 1: Автоматизация E2E — [Инструмент: QA Tech / Playwright] — Настройте сценарии, которые агент прогоняет после каждой фичи.
• Шаг 2: System Evolution Mindset — Если AI ошибся в стиле кнопки, не просто исправьте код, а добавьте правило в reference/style.md.
• Шаг 3: Стандартизация коммитов — Используйте команду /commit, чтобы сообщения в Git всегда были информативны для AI в будущем.

/commit "feat: added neon auth integration based on phase 1"

Результат: Самосовершенствующаяся система разработки, где каждая ошибка делает AI-агента умнее.

FAQ

В: Почему нельзя просто «вайбкодить» без PRD и планов?

О: На маленьких задачах это работает, но в Greenfield-проектах без плана AI начинает делать предположения. Одна ошибка в PRD может привести к 1000 строк мусорного кода, который потом придется переписывать вручную.

В: Зачем сбрасывать контекст (новый чат) перед имплементацией?

О: В процессе обсуждения плана в чате скапливается много лишних идей, ложных путей и «шума». Сброс контекста и подача только чистого плана заставляют AI сфокусироваться на выполнении конкретных шагов без галлюцинаций.

В: Как AI узнает о секретах (API ключах) при тестировании?

О: Всегда создавайте файл .env.example. Перед запуском имплементации убедитесь, что ваши реальные переменные настроены локально. Тогда агент сможет запустить миграции и тесты, не прерываясь на вопросы о доступах.

В: Что делать, если AI-агент не поддерживает sub-agents для поиска?

О: Вы можете вручную использовать инструменты типа Perplexity или встроенный поиск в ChatGPT/Claude, копировать выжимку документации и вставлять её в папку reference/ вашего проекта.

В: Как заставить AI писать тесты?

О: Включите «Validation Strategy» как обязательный пункт в ваш шаблон плана фичи. Агент не должен считать задачу выполненной, пока не пройдут все описанные им же (и одобренные вами) тесты.

Конспект создан на основе видео «My Dead Simple Framework for AI Agents (Claude Code, Cursor, etc)» канала Cole Medin. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/goOZSXmrYQ4