🎯 О чём этот конспект: Подробный разбор возможностей Devon — автономного AI-агента, который позиционируется как полноценный «сотрудник», а не просто автодополнение кода. В видео тестируется создание фичи редактирования сообщений в чат-приложении сразу в двух репозиториях (фронтенд и бэкенд).

👤 Кому будет полезно: Вайбкодерам и разработчикам, которым тесно в рамках Cursor и которые ищут инструмент для автономного выполнения тикетов, создания PR и автоматического документирования кода.

✨ Что получите: Пошаговое понимание рабочего процесса в Devon, инструкции по настройке окружения, обзор новой модели оплаты (Pay-as-you-go) и сравнение с GitHub Copilot и Cursor.

1. Рабочее пространство как виртуальная машина

Контекст: В отличие от расширений для IDE, Devon предоставляет полноценную изолированную среду (Workspace) с виртуальной машиной. Это позволяет агенту не просто писать код, но и запускать его, устанавливать зависимости, выполнять тесты и даже предоставлять превью работающего приложения. Вы контролируете процесс через терминал, браузер и редактор кода внутри одного интерфейса.

Выгода: Полная автономность — вам не нужно вручную проверять каждую строчку кода на своей машине, агент сам убеждается в работоспособности решения перед созданием PR.

Как применить:

• Шаг 1: Настройка проекта — [Devon Dashboard] — Импортируйте свои репозитории (поддерживается мульти-репозиторная работа, например, отдельно frontend и backend).
• Шаг 2: Конфигурация окружения — [Settings] — Обязательно добавьте переменные окружения (Environment Variables), такие как ключи API (Supabase, OpenAI и т.д.), чтобы Devon мог запустить проект в своей виртуальной машине.
• Шаг 3: Мониторинг — Используйте встроенный Shell и вкладку Preview для наблюдения за тем, как Devon поднимает локальный сервер.

Результат: Готовая песочница, где AI-агент имеет все права для полноценной разработки и тестирования.

2. Автономное выполнение задач и итерации

Контекст: Процесс работы с Devon строится на постановке высокоуровневой задачи. Агент сам анализирует код, составляет план, запрашивает уточнения и вносит изменения. В видео тестировалась сложная логика: «Разрешить редактирование последнего сообщения, при этом при сохранении правки старый ответ AI должен удаляться, а новый запрос отправляться заново».

Выгода: Экономия времени на рутинном поиске нужных файлов в больших проектах и написании шаблонного кода.

Как применить:

• Шаг 1: Постановка задачи — Сформулируйте запрос максимально подробно.

I would like the user to be able to edit the last message they sent to the AI. 
Once they confirm the edit, this will then be resent to the AI. 
Only the last message should be editable and all previous messages are retained.

• Шаг 2: Уточнение плана — Devon предложит план (например, изменить messageStore, обновить MessageComponent). Проверьте его и подтвердите.
• Шаг 3: Интерактивное исправление — Если агент нашел баг или не учел нюанс (например, не очистил старый ответ), напишите уточнение прямо в чат задачи, и он переделает конкретный участок.

Результат: Автоматически созданный Pull Request с детальным описанием всех изменений и даже диаграммами логики (User Flow).

3. Автоматическая база знаний и Deep Wiki

Контекст: Одной из уникальных фич Devon является автоматическая генерация документации. При индексации репозитория агент создает «Wiki», где описывает архитектуру, используемые API, стек технологий и логику работы компонентов.

Выгода: Мгновенный онбординг новых разработчиков в проект и быстрый поиск информации о том, «как это работает», без чтения всего исходного кода.

Как применить:

• Шаг 1: Генерация — После загрузки репозитория перейдите во вкладку Deep Wiki.
• Шаг 2: Использование Ask Devon — Используйте специализированный чат для вопросов по архитектуре.

What APIs are used for the backend and how is authentication handled?

• Шаг 3: Актуализация — При добавлении новых фич Devon может обновлять Wiki, сохраняя контекст принятых решений (Knowledge).

Результат: Всегда актуальная документация проекта, доступная без ручного написания README.

4. Интеграция с рабочими процессами (Slack, Linear, GitHub)

Контекст: Devon не обязательно использовать только через его веб-интерфейс. Он глубоко интегрируется в существующий стек инструментов команды. Вы можете ставить задачи через Slack или превращать тикеты в Linear в готовые Pull Request'ы.

Выгода: AI-агент становится частью CI/CD и проектного менеджмента, работая в фоне над задачами из бэклога.

Как применить:

• Шаг 1: Подключение Slack — Настройте интеграцию, чтобы команда могла тегать Devon в канале для быстрого фикса багов.
• Шаг 2: Работа с GitHub — Вы можете просить Devon внести правки прямо в комментариях к PR на GitHub, и он обновит коммиты в соответствующей ветке.
• Шаг 3: Linear Sync — Привяжите тикеты к Devon, чтобы он начинал работу над задачей сразу после смены статуса тикета.

Результат: Бесшовный процесс разработки, где AI реагирует на события в привычных инструментах коммуникации.

5. Новая экономика: Pay-as-you-go и ACU

Контекст: Раньше Devon стоил $500/мес, что было дорого для индивидуальных разработчиков. Сейчас введена модель Core: $20 единоразово за доступ + оплата по факту использования (ACU — Agent Compute Units).

Выгода: Прозрачность расходов. Вы платите только за то время и вычислительные ресурсы, которые агент потратил на решение задачи.

Цифры:

• Входной порог: $20 (включает около 9 ACU).
• Расход: На создание фичи редактирования сообщений (средняя сложность) ушло около 3.07 ACU (примерно 1/3 от стартового пакета).
• Дозаправка: Минимум 10 ACU за $20.

Результат: Возможность использовать элитного AI-агента для разовых сложных задач без огромной подписки.

FAQ

В: Чем Devon лучше Cursor? О: Cursor — это IDE, где вы «пилот». Devon — это автономный агент, которому вы даете задачу и уходите пить кофе. Он сам запускает код, правит ошибки компиляции и создает PR. Cursor лучше для быстрого написания кода вместе с вами, Devon — для выполнения целых тикетов «под ключ».

В: Безопасно ли давать Devon доступ к коду? О: По умолчанию Devon не использует ваши данные для обучения моделей (если вы не включите это в настройках). Это критически важно для коммерческих проектов.

В: Может ли Devon работать с несколькими репозиториями одновременно? О: Да, это одна из его сильных сторон. Вы можете добавить в один Workspace фронтенд на React и бэкенд на Python, и он будет вносить согласованные изменения в оба проекта для реализации одной фичи.

В: Что такое ACU и как они тратятся? О: ACU (Agent Compute Units) — это мера вычислительной мощности и времени работы агента. Чем дольше агент «думает», запускает тесты или итерирует код, тем больше ACU списывается. Простые задачи стоят дешевле, сложные (с долгими циклами отладки) — дороже.

В: Нужно ли мне уметь кодить, чтобы использовать Devon? О: Желательно. Хотя Devon делает 90% работы, иногда он может ошибаться в логике (как показано в видео с багом при сохранении сообщения). Вам нужно уметь прочитать код и направить агента, если он свернул не туда.

Конспект создан на основе видео «Devon: The AI Software Engineer - One Year Later» канала Vercel (или автора обзора). Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=9AUPjW40DBE