Когда я впервые использовал программного агента, я был в восторге. До агента я копировал и вставлял код между своей IDE и интерфейсом чата с ИИ. Было потрясающе наблюдать, как агент напрямую редактирует файлы и исправляет собственные ошибки в реальном времени. Через несколько дней эйфория прошла, потому что начали часто появляться баги. Агент полностью переставал отвечать, пока я его не перезапущу, и часто объявлял задачи выполненными, когда работа едва начиналась.
Я предполагал, что через шесть месяцев агенты станут такими же технически впечатляющими, как лежащие в их основе LLM. Но программные агенты так и остались слабыми. Разработка с помощью ИИ заметно продвинулась, однако основную работу выполняют модели, тогда как агенты остаются узким местом. Это различие важно: модель, например GPT Astra, Claude Sonnet или GLM-5.3, генерирует текст и код, а агент, например Claude Code от Anthropic или Codex от OpenAI, — это программа, которая связывает модель с кодовой базой и системами компьютера. Как сказано в одной аналогии, модель — это мозг, а агент — тело.
Главная претензия связана с тем, как плохо агенты управляют задачами. В одном примере в открытое веб-приложение нужно было добавить функцию защиты паролем объёмом около 1,5 тысячи строк кода. Агент разбил работу на 10 подзадач и выполнил их последовательно, хотя их можно было бы запустить параллельно на компьютере, созданном для многозадачности. Claude Code почти не выполняет задачи параллельно, ожидая завершения субагентов и сквозных тестов, прежде чем перейти дальше.
Агенты также плохо делегируют работу. Передовая модель может тратить время на просмотр 50 тысяч строк кода в поисках определённого паттерна, хотя с этим справилась бы более дешёвая и быстрая модель. Агент никогда не предлагает сменить модель, поэтому пользователям приходится самим вручную подбирать модель для каждой задачи, и, по мнению автора, эту работу мог бы выполнить сам LLM.
Источник: Hacker News · Сводку подготовил HeadlinesBriefing