Лицензия YOLO
Назад к глоссарию Ultralytics

Agentic Coding

Разработка ПО с участием ИИ-агента — это процесс, в котором ИИ-агент изучает кодовую базу, редактирует файлы, запускает тесты, исправляет ошибки и передаёт изменения на проверку.

Агентное программирование — это разработка ПО, в которой ИИ-агент выполняет задачу программирования от начала до конца: читает нужный код, планирует изменения, редактирует файлы, запускает команды и тесты, исправляет ошибки и передает коммит или запрос на слияние для проверки. Разработчик описывает задачу и оценивает результат, а не вводит каждую строку кода. К широко используемым агентам для программирования относятся Claude Code от Anthropic, Codex от OpenAI, агент для программирования GitHub Copilot, режим агента Cursor и агенты с открытым исходным кодом, например OpenHands. Большинство из них используют модели рассуждений, обученные выполнять длинные цепочки вызовов инструментов.

Как работают агенты для программирования#

Агент для программирования — это ИИ-агент, который использует инструменты разработчика: поиск и чтение файлов, редактирование файлов, командную оболочку для сборки и тестирования, систему контроля версий, а иногда и браузер. Его обвязка агента запускает цикл, в котором большая языковая модель (LLM) читает задачу, изучает файлы, предлагает изменение или команду, анализирует результат и выбирает следующий шаг. Важна и сама конструкция инструментов: созданный в Принстоне SWE-agent в 2024 году решил 12,5% задач SWE-bench — намного больше, чем более ранние интерактивные методы. Главным образом этого удалось добиться благодаря компактным командам для просмотра, поиска и редактирования кода. Авторы назвали такой подход интерфейсом взаимодействия агента с компьютером.

Репозитории задают агентам правила с помощью файлов инструкций, например AGENTS.md — открытого формата для команд сборки и тестирования, а также соглашений по написанию кода, за которым теперь следит Agentic AI Foundation. Кроме того, применяются навыки агентов, загружающие процедуры для конкретных задач по запросу, и серверы Model Context Protocol (MCP), подключающие системы отслеживания задач, базы данных и документацию. Агенты работают интерактивно в терминале или IDE либо в облачных изолированных средах, где несколько задач выполняются параллельно и каждая завершается запросом на слияние. Ведущий агент также может поручить поиск, запуск тестов или проверку подчиненным агентам с собственными контекстными окнами. Это разновидность оркестрации ИИ-агентов. Поскольку внедрение промпта может содержаться в репозитории, зависимости или веб-странице, агенты для программирования выполняют команды в песочнице агента и запрашивают подтверждение перед отправкой кода, удалением файлов или подключением к новым хостам.

  • Автодополнение кода: предлагает следующие строки по мере ввода кода разработчиком, как это делал GitHub Copilot при запуске в 2021 году. Разработчик по-прежнему сам пишет и запускает программу, принимая или отклоняя каждое предложение.
  • Чат-ассистенты: чат-бот отвечает на вопросы о программировании фрагментами кода, которые разработчик вручную копирует, запускает и отлаживает.
  • Вайб-кодинг: термин, который Андрея Карпати предложил в феврале 2025 года для описания разработки ПО с помощью промптов и принятия написанного ИИ кода без его чтения. Термин описывает отношение человека к результату, а при агентном программировании в профессиональных командах обычно сохраняются проверка кода, тесты и непрерывная интеграция.

Агентное программирование в компьютерном зрении#

Задачи эксплуатации машинного обучения (MLOps) хорошо подходят для агентов, поскольку каждый этап завершается результатом, который можно проверить: набор данных преобразован и проверен, обучение запущено и метрики записаны, экспортированная модель загружена и выдает те же предсказания. Агент, которому поручили дообучить детектор, может создать YAML-файл набора данных, запустить обучение, изучить метрики валидации и предложить следующий эксперимент. Навыки агента Ultralytics предоставляют Claude Code, Codex, Cursor, Gemini CLI и другим совместимым агентам такой рабочий процесс в виде навыка-маршрутизатора yolo, а также навыков для выбора модели, работы с наборами данных, обучения, настройки, инференса и экспорта. Кроме того, есть навык platform-cli, который управляет облачным обучением и развертыванием через Ultralytics Platform с помощью командной строки ul cloud. Запрос вроде «экспортируй обученную модель YOLO в TensorRT с квантованием INT8 и проведи ее тестирование производительности» запускает описанные в навыках процедуры экспорта и тестирования производительности. Если вывод навыков расходится с выводом установленного пакета, навыки указывают агенту доверять результатам yolo checks и yolo cfg установленного пакета.

Оценка агентов для программирования#

SWE-bench, представленный в октябре 2023 года, — стандартный бенчмарк для оценки программирования агентами. Он включает 2 294 реальные задачи из GitHub-репозиториев 12 популярных проектов на Python; результат каждой задачи определяется тем, проходят ли собственные тесты проекта после применения исправления агента. Лучшая модель на момент выпуска, Claude 2, решила 1,96% задач. SWE-bench Verified от OpenAI — подмножество из 500 задач, которые инженеры подтвердили как выполнимые, — стал наиболее часто публикуемой версией теста. К концу 2025 года лучшие агенты решали около 80% этих задач. Более сложные наборы, например Terminal-Bench, проверяют работу с командной строкой, а команды проводят собственную оценку агентов на внутренних репозиториях. Производительность труда на практике измеряется отдельно: в рандомизированном исследовании опытных разработчиков открытого ПО, проведённом METR, 16 разработчиков выполняли 246 задач в хорошо знакомых им зрелых проектах в начале 2025 года. При разрешённом использовании ИИ-инструментов работа занимала на 19% больше времени; чаще всего использовались Cursor с Claude 3.5 и 3.7 Sonnet. При этом после завершения участники оценили, что инструменты ускорили их работу на 20%.

Изучи решения

Компьютерное зрение в спорте

Компьютерное зрение в спорте

Узнай, как Ultralytics YOLO обеспечивает компьютерное зрение в спорте: отслеживание игроков и мяча, аналитика результатов, полезные выводы для тренеров и реабилитация спортсменов.
Подробнее
Компьютерное зрение для аэросъёмки

Компьютерное зрение для аэросъёмки

Превращай снимки с дронов и аэрофотоснимки в полезные данные в реальном времени для сельского хозяйства, аквакультуры, охраны природы и геопространственного анализа с Ultralytics YOLO.
Подробнее
Компьютерное зрение в аэрокосмической отрасли

Компьютерное зрение в аэрокосмической отрасли

Применяй компьютерное зрение в аэрокосмической отрасли с Ultralytics YOLO: для осмотра самолётов, обнаружения посторонних предметов на взлётно-посадочных полосах, наземного обслуживания аэропортов и выявления дефектов композитных материалов.
Подробнее
Компьютерное зрение в сфере безопасности

Компьютерное зрение в сфере безопасности

Защити любой объект с помощью моделей Ultralytics YOLO. ИИ на базе компьютерного зрения обеспечивает мониторинг периметра, обнаружение угроз, распознавание номерных знаков и безопасность на рабочем месте.
Подробнее
Компьютерное зрение в робототехнике

Компьютерное зрение в робототехнике

Создавай более интеллектуальные машины с моделями Ultralytics YOLO. ИИ на базе компьютерного зрения в робототехнике обеспечивает автономную навигацию, восприятие, отслеживание объектов и управление в реальном времени.
Подробнее
Компьютерное зрение в логистике

Компьютерное зрение в логистике

Оптимизируй логистику с моделями Ultralytics YOLO. Визуальный AI обеспечивает проверку посылок, сортировку, отслеживание транспорта и мониторинг безопасности на складе в реальном времени.
Подробнее
Компьютерное зрение в розничной торговле

Компьютерное зрение в розничной торговле

Переосмысли розничную торговлю с моделями Ultralytics YOLO. Визуальный AI обеспечивает отслеживание запасов, мониторинг полок, управление очередями и более глубокое понимание поведения покупателей.
Подробнее
Компьютерное зрение в здравоохранении

Компьютерное зрение в здравоохранении

Создавай решения для здравоохранения с моделями Ultralytics YOLO. Визуальный AI в здравоохранении ускоряет медицинскую визуализацию, улучшает диагностику и мониторинг пациентов.
Подробнее
Компьютерное зрение в производстве

Компьютерное зрение в производстве

Оптимизируй производство с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ обеспечивает контроль качества, обнаружение дефектов, контроль использования СИЗ и автоматизацию сборочных линий.
Подробнее
Компьютерное зрение в автомобильной отрасли

Компьютерное зрение в автомобильной отрасли

Применяй компьютерное зрение в автомобильной отрасли с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ повышает безопасность дорожного движения, улучшает помощь водителю и автоматизацию автомобилей, делая дороги умнее.
Подробнее
Компьютерное зрение в сельском хозяйстве

Компьютерное зрение в сельском хозяйстве

Внедряй ИИ для компьютерного зрения в умное сельское хозяйство с моделями Ultralytics YOLO. Используй их для мониторинга посевов, отслеживания скота и точного земледелия, чтобы повысить урожайность и эффективность.
Подробнее

Давай вместе строить будущее ИИ!

Начни свой путь в будущее машинного обучения