Как у вас выстроена работа с ИИ-агентами?

Ещё весной 2025 года, когда только вышел Claude Code, я копировал кодовую базу с помощью утилиты, вставлял в чат-бота с определённым системным промптом и своими хотелками, а он выдавал мне изменения в diff-формате, и я его отдавал бесплатному Cursor'у

1. Осенью 2025-го освоил методологию разработки obra/superpowers, до него был plan mode, но superpowers в своё время стал незаменимым — он добавлял воркфлоу: brainstorming — совместный гриллинг с агентом идеи, writing-plans — записать план, execute-plans — закодировать, используя /tdd. Можно было бы остаться в рамках этой методологии, однако модели улучшаются, и то, что раньше требовало отдельных скиллов, — становится стандартом из коробки (tdd например), а также лишние скиллы добавляют расход токенов

1. Летом 2026 нашел aihero.dev, пользуюсь по сегодняшний день. Он понравился мне тем, что более гибкий. Чего только стоит /ask-matt, который буквально подсказывает, что делать. Также у него есть подробная документация по каждому скиллу с лучшими практиками и самое главное — автор ведёт свой твиттер по тематике агентной инженерии

Сейчас мой флоу выглядит так:

1. /grill-with-docs хочу ... (тут я получу ADR (Architecture decision record) — единственное, что стоит просмотреть во всей работе глазами, кроме готового результата)
2. В том же чате: /to-spec и /to-tickets
3. В новом чате (поскольку контекст первого скорее всего превысит 200k токенов): /implement-spec <путь до спеки>

И всё! Я ушёл гулять и при достаточных лимитах получил качественный результат за проход. Под капотом оркестратор вызывает /implement на сабагентах, те, в свою очередь, вызывают в конце /code-review на своём diff двух сабагентов: 1-й проверяет соответствие кода заданным стандартам в репозитории, а 2-й проверяет соответствие написанного тикету и спецификации. Они, в свою очередь, передают тому, кто их вызвал отчёт, а он фиксит найденное. Оркестратор строит граф зависимостей между тикетами, чтобы разобраться где блокеры и в каком порядке вызывать сабов на имплементацию

Использую OpenCode с бесплатными моделями. Мне нравится, что набор бесплатных моделей часто меняется — можно поиграться и понять, что тебе заходит.

Порядок использования LLM:

1. Бесплатный лимит в OpenCode
2. Подписка на GLM 5.3 от z.ai
3. Прямой DeepSeek API (3$ за 200 млн токенов)

В месяц это стоит примерно 15$ (подписка z.ai + пара долларов на DeepSeek API)

Рабочий процесс через тикеты:

1. беру тикет с описанием того, что нужно сделать
2. если он простой, то сразу делаю, если сложный, то резерчу - как лучше делать, какие есть подводные камни
3. в OpenCode добавил команду "/task <ticket> описание задачи"
4. Profit!

В начале было туговато, но чем больше документации я добавляю в проект, тем безошибочней ИИ делает задачу. По ощущениям, из 5 рабочих дней один я выделяю для приведения доки в порядок. Пока не получается научить ИИ делать это самостоятельно.

Основная проблема и нагрузка на мозг — как можно чётче понять, что именно нужно делать.

ИИ агент работает а я не работаю, а профит мне