Интро
Максим Романовский
Head of AI & Product engineering в одном из отделов большого европейского банка, руководитель небольшой исследовательской лаборатории по машинному обучению и основатель внутреннего AI коммьюнити компании с 500+ ML энтузиастами. До перехода в менеджмент был архитектором, тех-лидом и ведущим программистом.
Последние три месяца я активно тестировал AI coding инструменты, работая над пет‑проектами в свободное время, изучал ограничения существующих инструментов и лучшие практики. В своем ТГ‑канале я делюсь результатами своего исследования и другими полезными материалами, личным опытом и возможностями.
Выбор инструмента
Я попробовал v0, Replit, Lovable, Bolt.New, Firebase, Trae, Cursor, Windsurf, Gemini Code Assist, MS Copilot, Continue, и наверняка, еще что‑нибудь забыл. Всего же я нашел больше 100 инструментов. В первую очередь они отличаются по уровню автономности и типу.
Уровни автономности
Детерминированные и статистические правила. Примеры: автодополнение кода (в любой IDE), статические анализаторы кода (SonarQube, Veracode, PyLint и т.д.)
AI ассистенты: выполняют отдельные задачи, которые пользователь детально описывает, как правило, с высокой гранулярностью (ChatGPT, Claude, и т.д.). В последнее время у многих AI ассистентов есть тенденция к более высоким уровням автономности.
AI CoPilot: программист работает над продуктом в паре с AI CoPilot, совместно внося изменения. Программист по-прежнему несет полную ответственность за разрабатываемый программный продукт. Примеры инструментов данного уровня: Cursor, Windsurf, Trae, Codex.
AI Agent: генерация продуктов по описанию, пользователь выступает в качестве супервизора и тестировщика. Данный уровень все еще не достигнут, потому что в текущем поколении систем этого уровня, пользователь по-прежнему отвечает за разрабатываемый продукт и нередко вынужден помогать с разрешением проблем. Примеры: Lovable, v0, Replit , Bolt.New.
Полная автономность разработки: здесь пользователь описывает цели, которые он хочет достичь, а AI система уже сама решает, как ее достичь (Devin, MetaGPT).
6 типов инструментов
Framework - для программистов, которые хотят разрабатывать самостоятельных AI coding агентов или иметь максимальную гибкость.
CLI (command line interface) - для программистов, предпочитающих гибкость и контролируемость CLI инструментов или планирующих встроить их в свой CI/CD пайплайн.
IDE plugin - для разработчиков, которые не хотят переезжать со своей любимой IDE.
IDE - отдельная среда разработки, как правило, на основе VS Code.
SaaS - отдельный сервис или мобильное приложение, в котором можно вести автоматическую или полуавтоматическую разработку, как правило, с минимальными знаниями программирования.
AI chat assistant - любой ИИ чатбот, который отвечает на вопросы по программированию, например ChatGPT, Gemini, Grok или Claude.
Какой инструмент выбрать
Если вы инженер и:
хотите попробовать повысить свою продуктивность - попробуйте AI Coding IDE и возьмите бесплатный двухнедельный триал от Cursor. Крупные альтернативы: Windsurf, Trae.
не хотите менять IDE - попробуйте плагины для вашей любимой IDE: Continue, GitHub Copilot, Junie.
любите CLI и готовы платить за токены - попробуйте Codex или Claude Code.
вам катастрофически критична конфиденциальность вашей разработки - попробуйте локальную связку из MetaGPT + Ollama (с Gemini3-27B или QwQ2.5).
Если вы не инженер и хотите сделать свой небольшой проект, то попробуйте Lovable, Replit или v0. Будьте готовы, что какие‑то проблемы вам придется решать самостоятельно.
Для меня при выборе инструмента была важна возможность удобного редактирования и ревью кода, удобство развертывание и тестирования. В итоге каждая итерация работы над личными проектами заканчивалась в IDE (Cursor или Trae). Также мне понравился v0, который является подпродуктом cloud‑провайдера Vercel, и благодаря этому отлично проинтегрирован с ним.
С какими проблемами я столкнулся
Не сразу понял важность детального описания требуемой функциональности и архитектуры.
Решение: детально описывать задачу в промпте, архитектуру и фунциональность в md-файлах проекта.Многие тулы не универсальны и у меня возникло несоответствие ожиданий: например, многие сервисы не могут создать backend проект без фронтенд части.
Решение: не завышать ожидания, пробовать разные тулы и детально изучать их возможности.Генерируемый код часто содержит ошибки, которые приходится исправлять вручную.
Решение: декомпозировать задачу на мелкие подзадачи, делать тщательный код-ревью и уметь программировать самостоятельно.В большинстве инструментов есть лимиты на использование, а в некоторых еще и долгое время ожидания (в Trae до нескольких минут в час пик).
Решение: покупать подписки с требуемыми лимитами. Если нет возможности - пользоваться сразу несколькими бесплатными инструментами.Сервисы все еще не очень стабильны, например один из них просто завис после получения запроса и так и не открылся в течение часа.
Решение: использовать больше одного инструмента и уметь программировать самостоятельно.Код, генерируемый LLM был устаревшим и не соответствовал версиям библиотек в проекте. Особенно это болезненно при настройке аутентификации или авторизации.
Решение: подключить MCP-сервер с актуальной документацией (например) или загрузить документацию вручную, уметь программировать самостоятельно.Часть фичей было проще сделать самому, чем добиваться правильного поведения от AI инструмента.
Решение: уметь программировать самостоятельно.
Для всех проблем, с которыми я столкнулся есть решения, но примерно в половине случаев оно звучит так: уметь программировать самостоятельно.
Выводы
AI coding инструменты значительно ускоряют разработку, но требуют навыков программирования, тестирования и код‑ревью. Вне зависимости от наших желаний, эти инструменты с нами останутся и нам надо учиться эффективно их использовать. При неопытном и халатном использовании, можно добавить очень много серьезных багов в проект, включая, проблемы с безопасностью, производительностью или платежами.
Чтобы оставаться востребованными на изменяющемся рынке, я считаю важным прокачивать навыки код-ревью, архитектуры, управления продуктом, коммуникации со стейкхолдерами, а также проактивно изучать новые технологии и инструменты.
Я однозначно продолжу углубляться в эту тему, потому что я люблю технологии на основе машинного обучения и вижу огромный потенциал AI coding инструментов.
Еще больше полезных постов про разработку, AI coding и стартапы у меня в TG‑канале: присоединяйтесь.
