ИИ для программистов: что делегировать агенту в 2026

Что отдавать агенту, а что оставить себе?

ИИ для программистов в 2026 — это не подсказки в редакторе, а исполнитель задач. Агент читает папку проекта, правит файлы, запускает тесты, показывает, что изменил. Отдавайте ему пять вещей: тесты и починку упавших, рефакторинг по заданным правилам, разбор незнакомого кода, миграции и одноразовые скрипты, черновики документации. Не отдавайте три: архитектурные решения, приоритеты и всё, что связано с секретами и продакшен-доступами.

Цифры для ориентира. Одна задача ≈ 100 000 токенов ≈ 7,9 ₽, контекст — 1 048 576 токенов, в одну сессию помещается модуль целиком, а не один файл. Медианная зарплата IT-специалиста в России в первом полугодии 2026 — 191 000 ₽ (Хабр, выборка 45 226 зарплат). Час вашего времени дороже дня работы агента.

Схема разделения работы программиста и ИИ-агента: рефакторинг и тесты — агенту, архитектура и приоритеты — человеку

Граница проходит там, где есть формальный критерий готовности. Тест зелёный или красный, линтер молчит или ругается, типы сходятся или нет. Агент силён в задачах с такой проверкой. Программирование с ИИ начинается с этого вопроса: чем вы проверите результат. ИИ помощник программиста в такой схеме — исполнитель, а не автор решений. Там, где критерий внешний — что важнее для бизнеса, что можно сломать, кого предупредить, — он оптимизирует локально и выдаёт правдоподобный ответ.

Нейросеть для программистов обычно сравнивают по качеству ответов в чате. В работе критерий другой: дотягивает ли она задачу до проверки — прогона тестов, диффа, зелёного линтера.

Таблица: задача, делегировать ли, почему, что проверить после

Задача	Делегировать	Почему	Что проверить после
Юнит-тесты и починка падений	Да	Критерий готовности формальный: набор тестов либо зелёный, либо нет	Граничные случаи — пустой ввод, отрицательные числа, таймауты; не подогнаны ли тесты под текущее поведение
Рефакторинг по заданным правилам	Да	Механическая работа, правила задаются заранее	Публичные сигнатуры и внешнее поведение не изменились; прогон тестов до и после правки
Разбор незнакомого кода	Да	Читает десятки файлов подряд и не устаёт	Ссылки вида `путь:строка` — открыть и сверить с кодом
Черновик документации и README	Да	Текст правится одной командой, риск низкий	Утверждения про поведение, ограничения и гарантии — их знает только автор
Миграции и backfill-скрипты	Да, с оговоркой	Логика описывается точно, но запуск трогает данные	`--dry-run` на копии, батчи, идемпотентность, план отката
Архитектура и выбор стека	Нет	Решение зависит от продукта, бюджета и команды, а не от кода	—
Приоритеты: что делать первым	Нет	Это про бизнес, а не про реализацию	—
Секреты, ключи, продакшен-доступы	Нет	Ошибка необратима, а инъекция промпта превращает агента в канал утечки	—

Пять строк «да», три «нет» — и это не значит, что остальное можно отдать не глядя. Отдельным правилом, поверх таблицы: коммит в main без ревью не делается ни человеком, ни агентом. В опросе SkillStaff (1000+ респондентов, сентябрь 2026) 74% ИТ-специалистов используют ИИ ежедневно или несколько раз в неделю, для написания кода его применяют только 25%, для поиска багов и автотестов — 29%. Опрос K2 Cloud и Хабра (872 анкеты) даёт другую картину: написание кода — 59,1% задач, документация — 51,1%, прототипы — 43,7%. Расхождение объяснимое. Написать код с ИИ пробовали почти все, а системно отдавать ему тесты и разбор чужого кода — единицы. Отдача выше всего именно там.

Какие сценарии работают в первый же день?

Пять формулировок, которые можно скопировать в диалог с агентом. Общее у них одно: назван файл, назван критерий готовности, сказано, чего делать нельзя.

Начните с модуля, который никто не покрывал тестами. Тут выигрыш заметен сразу, а риск минимальный: поведение кода не меняется.

В billing/legacy_calc.py функция apply_discount не покрыта тестами. Напиши тесты в tests/test_legacy_calc.py: обычный случай, нулевая сумма, отрицательная сумма, скидка 100%. Саму функцию не меняй — если найдёшь баг, опиши его комментарием к тесту. Готово, когда pytest tests/test_legacy_calc.py -q проходит.

Второй сценарий — рефакторинг с фиксированным правилом. Правило задаёт человек, исполнение — агент.

Разбей process_order в orders/service.py на три функции: валидация, расчёт, запись в базу. Публичные сигнатуры и внешнее поведение не меняй. После правки прогони pytest tests/orders -q и покажи git diff.

Третий — карта чужого участка кода. Это то, на что уходит день при онбординге и чего потом не хватает в вики.

Объясни, как в этом репозитории устроена авторизация: где выдаётся токен, где проверяется, какие таблицы читаются. Результат — docs/auth-map.md со ссылками формата путь:строка. Код не правь.

Четвёртый — флейки-тест. Нудная работа: прогнать одно и то же тридцать раз и прочитать стек-трейсы. Здесь важно запретить правки, иначе агент «починит» симптом.

test_payment_timeout падает примерно раз в двадцать прогонов. Прогони его 30 раз, собери стек-трейсы падений в /tmp/flaky.log и предложи гипотезу с доказательством из лога. Правки пока не вноси.

Пятый — техдолг по типам и линтеру. Ограничивайте объём: задача «почини 340 ошибок mypy» расползается на часы, а «первые пятьдесят, одна правка — один коммит» заканчивается предсказуемо.

mypy --strict выдаёт в пакете core/ 340 ошибок. Почини первые 50, начиная с самых простых. Одна правка — один коммит. Каждые десять коммитов прогоняй pytest tests/core -q и останавливайся, если стало красным.

Anthropic в экономическом индексе оценивает успешность задач по разработке в 61% против 78% для личных задач. Причина в том, что в разработке дороже всего стоит нечёткая задача. Агент, который получил «приведи код в порядок», приведёт его в свой порядок.

Сколько это стоит и где взять бесплатные токены?

Если искать ИИ для программистов бесплатно, самый короткий путь — стартовый миллион токенов. 1 000 000 токенов дают один раз при регистрации после подтверждения email. Это не ежемесячная квота, а разовый бонус. Анонимный чат без регистрации ограничен пятью сообщениями в час, историю он не хранит.

Дальше — пакеты. Starter — 300 ₽ за 2 000 000 токенов, Plus — 900 ₽ за 7 000 000, Pro — 2 250 ₽ за 18 000 000, Scale — 8 250 ₽ за 70 000 000. Полный список — на /pricing. Подписок нет: платёж разовый, автопродления нет, токены не сгорают. Первые 48 часов после регистрации новичку считают цену по скидке −33%, то есть 200, 600, 1 500 и 5 500 ₽. Тариф Scale даёт −33% навсегда.

Про модели коротко, потому что здесь чаще всего путаница. На десктопе и в веб-чате доступны две модели — deepseek-v4-pro и deepseek-v4-flash, по умолчанию Flash. Через API добавляются glm-5.2 и glm-4.7-flash. Claude и GPT платформа не предоставляет: запрос с именем модели claude-* или gpt-* вернёт 404 со списком доступных. Выходной лимит — 32 768 токенов, входной контекст — 1 048 576.

Есть и способ не платить за модель вообще: нейронка для программирования не обязана быть облачной. Движок десктопного клиента собран на открытом форке opencode, который официально настраивается на локальные модели через Ollama, LM Studio и llama.cpp (opencode.ai/docs/providers). Качество на компактной локальной модели ниже, чем на DeepSeek V4, но для автодополнения и мелких правок хватает, и код не покидает машину.

Как это делать в AgentHere

Два пути: приложение для тех, кто работает с файлами проекта, и API для тех, кто живёт в терминале и своих редакторах.

Десктоп. Агент читает код и документы в папке проекта, вносит правки, показывает, что изменил, разбивает задачу на шаги и помнит ваши правила.

Зарегистрируйтесь на /signup и подтвердите email — на баланс придёт 1 000 000 токенов.
Скачайте сборку на /download: Windows 10+, macOS 12+, Linux x64. Для Linux это AppImage, перед запуском chmod +x agenthere-electron-linux-x86_64.AppImage. Установщик для Windows не подписан, SmartScreen покажет предупреждение: «Подробнее» → «Выполнить в любом случае».
Войдите в аккаунт и откройте вкладку «Агенты» — там ставится агент «Персональный помощник». Своего настройте в /agents, это занимает минут десять.
В диалоге укажите папку проекта и отдайте первую задачу из тех, что разобраны выше. Лучше всего зайдёт тесты на модуль без покрытия: критерий готовности виден сразу.
Правила проекта — команды сборки и тестов, конвенции, запреты — вынесите отдельным файлом в корень репозитория. Агент читает такие файлы перед работой, и качество правок заметно растёт. Подробнее про права, ветки и ревью — в отдельном разборе как настроить ИИ-агента для кода.

API и MCP. Ключ создаётся в кабинете разработчика на /dashboard/developer: тип proxy, начинается с ah_, показывается один раз.

OpenAI-совместимый протокол: базовый URL https://agenthere.ru/v1, заголовок Authorization: Bearer ah_.... Подходит для Cursor, Cline, Continue, Aider, Zed и opencode.
Anthropic-совместимый протокол: базовый URL https://agenthere.ru/anthropic, заголовок x-api-key: ah_.... Для инструментов, которые понимают только этот протокол.
Лимиты одного ключа: 60 запросов в минуту и 100 000 токенов в день. Каталог моделей и остальные параметры — в разделе для разработчика и в /docs.

Один запрос из терминала:

curl https://agenthere.ru/v1/chat/completions \
  -H "Authorization: Bearer ah_ВАШ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-v4-pro","messages":[{"role":"user","content":"Объясни, что делает функция parse_config в config.py"}]}'

MCP-сервер живёт на https://agenthere.ru/api/mcp (Streamable HTTP и SSE) и отдаёт 57 инструментов: анализ изображений и видео, транскрибация, генерация картинок и видео, веб-поиск, чтение страниц, создание сайтов, таймеры, диагностика аккаунта. Подключается к любому клиенту с поддержкой MCP — синтаксис подключения в документации. Правило простое: MCP-сервер имеет ровно столько доступа, сколько ему дали.

Пять задач, которые стоит отдать агенту на этой неделе

Модуль с наименьшим покрытием. Отдайте его целиком: «напиши тесты на этот файл, покрой граничные значения, поведение не меняй». Проверка — прогон и чтение диффа.
Линтер и типы. ruff check --fix и mypy --strict — рутина, в которой агент не устаёт. Ограничьте объём: не «почини всё», а «первые пятьдесят ошибок, одна правка — один коммит».
Карта участка кода. Пусть напишет docs/имя-модуля.md со ссылками вида путь:строка. Через неделю вы сами будете ей пользоваться.
Один флейки-тест. Прогон в цикле и разбор логов — двадцать минут работы, из которых ваших пять.
Один старый TODO из трекера. Отдайте как черновик: «предложи три варианта решения с плюсами и минусами, код не пиши». Выбор останется за вами.

Больше половины этих задач закрывается за один вечер. Если начать с одной — берите первую: она даёт самый быстрый видимый результат.

Когда это не сработает

Архитектура не делегируется. Агент видит только код. Он не знает про контракт с партнёром, про то, что модуль выводят из эксплуатации через полгода, про то, что команда не умеет в Kubernetes. GitHub предупреждает прямо: «архитектурный дрейф может накапливаться быстрее без правильных ограничителей». Решение о структуре принимает человек, агент его исполняет.

Приоритеты тоже остаются у человека. Что делать первым — вопрос денег и договорённостей, а не качества кода. Модель тут не имеет ни контекста, ни ответственности.

Секреты и продакшен. Опасностей две, и они разной природы. Первая — обычная ошибка: агент с правом на прод-базу выполнит DROP так же уверенно, как SELECT. Вторая — инъекция: скрытую инструкцию можно спрятать в issue, в комментарии, в тексте страницы, которую агент читает. OpenAI описывает риск для MCP без обиняков: «вредоносный сервер может эксфильтровать чувствительные данные из всего, что попадает в контекст модели». Инъекция аргументов доводит агентов с «безопасными» командами до выполнения произвольного кода — CVE-2025-54795 и GHSA-534m-3w6r-8pqr. Отсюда два правила из документации Anthropic: запрет приоритетнее разрешения (широкое «запрещено» перебивает узкое «разрешено» в любом режиме), а песочница ограничивает файлы и домены, причём следит за этим операционная система, а не модель. GitHub в локальной песочнице Copilot CLI идёт дальше — запрет по умолчанию.

Отдельный случай — команда без тестов и CI. DORA 2025: 90% техспециалистов используют ИИ, больше 80% отмечают рост продуктивности, но 30% почти или совсем не доверяют сгенерированному коду. ИИ работает усилителем — множит и сильные стороны процесса, и слабые. Там, где нет тестов и ревью, агент уверенно ломает соседний модуль, и узнаёте вы об этом не сразу.

Про «почти правильно» есть отдельная статистика. Stack Overflow 2025: 66% разработчиков раздражают решения, которые «почти правильные», 45% тратят время на отладку сгенерированного кода, 46% не доверяют точности моделей. Час, потраченный на чтение диффа, дешевле часа отладки. И да, 52% не используют агентов вообще или обходятся простыми инструментами, а 87% обеспокоены точностью автономных агентов.

Цепочка поставок. В марте 2026 подменённый пакет LiteLLM на PyPI пролежал около трёх часов и был скачан почти 47 тысяч раз. Заражённый пакет Nx заставлял локальные ИИ-CLI собирать файл с секретами. Если агент предлагает поставить зависимость — откройте реестр и проверьте имя пакета руками.

И последнее, что ломает делегирование, — команда без правил. Чёткие гайдлайны по ИИ и перечень разрешённых инструментов есть только у 30% компаний. Без них каждый делегирует по-своему, и ревью превращается в лотерею. 4% российских компаний-разработчиков уже зафиксировали атаки на рабочие ИИ-инструменты, ещё 22% их не отслеживали.

Что делать с этим списком? Не отказываться от агента, а вынести границы в конфигурацию: рабочая копия вместо продакшена, отдельная ветка на задачу, запрет на чтение файлов с ключами, обязательный дифф перед коммитом. Тогда большинство пунктов выше перестаёт быть риском и становится просто правилом работы.

Источники

Дальше по теме: что именно нужно настраивать перед первой задачей, как агент проверяет код тестами, обзор нейросетей для программирования, какие ИИ-клиенты для кода выбирают и базовый разбор ИИ для кода.

Начать можно сегодня: зарегистрируйтесь, скачайте десктоп и отдайте агенту один модуль без тестов. Критерий готовности будет виден сразу — зелёный pytest.