
Рядом с рабочим монитором у меня долго стоял ноутбук с открытым окном агентов. Раз в двадцать–тридцать минут я ловил себя на том, что опять туда кошусь: не встал ли кто-нибудь на вопросе, не пошёл ли крутиться по кругу. Я не решал так делать осознанно, привычка выработалась сама, как нервный тик. Пока агент был один, всё выглядело просто: дал задачу, обсудил, посмотрел код. Когда параллельных сессий стало несколько — в разных ветках или разных репозиториях — код они по-прежнему писали быстро, а вот переносить результат от планирования к реализации, пересказывать контекст и объяснять ревьюеру, что проверять, приходилось мне руками. Агенты сняли с меня набор кода и незаметно превратили в диспетчера: этому ответил, за тем присмотрел, этот вообще встал посередине и ждёт.
А если просто отпустить их в свободное плавание без понятных ограничений, случаются совсем комичные вещи. Однажды я заглянул в задачу, которая висела открытой уже шесть часов, а рецензент там спокойно шёл на четырнадцатый круг ревью. Я посмотрел на это и подумал: «Вот молодец, четырнадцатый круг, уж теперь-то точно всё получится», — остановил процесс и отдал задачу архитектору, чтобы сначала разобраться, что мы вообще чиним. Если каждый новый прогон находит свежие замечания, значит, сама постановка сломана и надо сделать шаг назад.
Тут я сам же первым и поймал себя на противоречии. Мы годами боремся с передачами в обычной разработке: продакт описал задачу, инженер уточнил и сделал, тестировщик проверил, продакт посмотрел — и оказалось, что нужно было другое. Пока задача ходит по кругу, на ожидание и восстановление контекста уходит больше времени, чем на саму работу; я называл это налогом на передачу работы в статье про роль продуктового инженера. И тут я собираюсь выстроить из агентов ровно такой же конвейер из аналитика, разработчика и ревьюера. Если гнать каждую задачу через все роли и самому таскать между ними контекст, то это действительно шаг назад — просто ждать теперь приходится собственных ботов вместо коллег.
Разница появляется в тот момент, когда роли разделяются только там, где от этого есть измеримая польза, а контекст между ними ходит без моего участия. Отвечать за итоговый код всё равно мне, но исполнителей может быть несколько. Например, проверку имеет смысл отделять от реализации, когда ошибка дорого стоит: в разборе агентных схем от Anthropic рядом с простыми цепочками описан как раз такой паттерн evaluator-optimizer, где один вызов модели проверяет работу другого.
Зачем второй агент, если контекст уже миллион токенов
Казалось бы, при окне в миллион токенов можно обойтись одним агентом: пусть допишет задачу и в том же диалоге сам себя проверит. Представьте обычную историю — список записей с фильтром по статусу. Где-то в начале длинной сессии агент решил, что без фильтра показываются только активные записи, написал код и тесты под это допущение, и всё у него зелёное. Если отдать результат на проверку отдельному ревьюеру, который получает только критерий «без фильтра показывать все записи» и diff, он про забытое допущение из старой переписки просто не знает и сразу видит расхождение.
Длинное окно само по себе от этого не спасает, потому что модель в нём начинает терять детали. В исследовании «Lost in the Middle» Nelson Liu и соавторов на тесте с двадцатью документами GPT-3.5-Turbo отвечала правильно в 75,8% случаев, когда нужный документ лежал первым, и в 53,8%, когда он оказывался в середине списка. К тому же чем больше нового текста на входе, тем дольше ждать первого токена и тем дороже каждый следующий шаг. По моим ощущениям, когда контекст сильно разрастается, модель начинает забывать договорённости, застревать на своей версии событий и ходить по кругу.
Попросить того же агента просто «перепроверить» тоже работает слабее, чем ожидаешь. В работе Jie Huang и соавторов GPT-4 на выборке из 200 задач GSM8K после самопроверки без внешнего сигнала опустился с 95,5% до 91,5% — модель исправила часть собственных правильных ответов. Поэтому на практике я привязываю проверку либо к воспроизводимому тесту, либо к отдельному ревьюеру, который смотрит на diff и критерии приёмки с пустым контекстом, без всей истории наших обсуждений.
На практике второй агент нужен в трёх разных случаях: когда нужен свежий взгляд на ревью (в идеале другой моделью и другого поставщика), когда есть независимые подзадачи, которые можно развести по разным worktree без общего изменяемого состояния, и когда хочется развести модели по цене и качеству — например, код пишет модель подешевле, а ревью делает более дорогая. С параллельной работой важно не обмануться: если пустить двоих агентов в один фронтенд, они в разных worktree наплодят конфликтов при слиянии, а в одной ветке просто передерутся. И ни один из этих сценариев сам по себе не требует оркестратора — открыть вторую сессию и скопировать туда файл можно руками. Команда с автоматизацией нужна в тот момент, когда эти ручные передачи становятся ежедневной рутиной и хочется, чтобы они шли без тебя.
Как я разбирался в инструментах и почему половина отвалилась
Инструментов под оркестрацию агентов сейчас больше, чем физически успеваешь открывать. В каталоге awesome-agent-orchestrators на 19 ноября было 350 живых проектов и ещё 19 в разделе Resting, причём за десять дней с 8 по 18 ноября туда добавили 36 новых пунктов. Мне почти каждый день присылают очередную новинку, и ловишь себя на мысли: «Да когда ж вы уже закончитесь?» Большинство из того, что я открывал, сделано наспех и сыро, так что сравнивать обещания на лендингах и в README смысла нет.
Чтобы не тонуть в названиях, я стал делить инструменты по тому, чем именно собираюсь управлять: сессиями (как в Paseo), фоновыми задачами с diff на выходе (облачный Codex, Devin), командами с ролями и передачами (Multica, Paperclip, Agent Swarm) или личными ассистентами (Hermes Agent, OpenBot). Команда тут не выше сессий, это просто разные задачи, да и границы между классами довольно размытые. Но такой взгляд сразу помогает отсечь лишнее.

Дальше я проверяю любой инструмент на одном живом сценарии: подключил свой рантайм, поставил задачу, дождался уведомления о блокере там, где его жду, и принял результат. Недавно решил попробовать Agent Swarm — мастер настройки бодро сообщил, что всё проверено, а первая же задача упала с ошибкой шлюза. Я полистал логи и так и не понял, где ошибся и что именно настроил криво. В Multica и OpenBot у меня всё завелось с первого раза. Оказалось, что даже когда ты давно возишься с агентами, понятный интерфейс и предсказуемое поведение перевешивают длинный список фич в документации.
Команда в Multica: где она помогает, а где ломается
В Multica я сначала насоздавал четырнадцать агентов, просто чтобы разобраться, как устроен инструмент, — звучит так, будто я уже директор небольшого отдела. На практике столько ролей в постоянной работе не нужно, часть из них я заводил ради эксперимента. К 19 ноября накопительный счётчик на доске показывал 763 запуска у тимлида и 208 у разработчика. Такой разрыв получается из-за роли: тимлид у меня работает единой входной точкой, он знает, где какой проект и кто чем занят, забирает результат после исполнителя и решает, куда отправлять задачу дальше. Плюс поначалу я сам постоянно писал ему «как дела?», пока осваивался. Рядом работают два рецензента на разных рантаймах: один через Claude (claude-opus-5-5, 48 запусков), второй через Pi (83 запуска). Задачи живут на настраиваемой канбан-доске, а когда нужно моё решение, тимлид упоминает меня, и вопрос падает в Inbox. Однажды открыл экран днём, а там уже 29 минут висела такая эскалация — я про неё даже не знал, потому что перестал сидеть и караулить вкладку.

Прежде чем агент начнёт что-то делать, я прошу его пересказать задачу своими словами — точно так же, как у джуна: «Как ты понял задачу?» Часто уже по пересказу видно, что он собирается решать что-то другое, и проще поправить его сразу, чем потом выкидывать готовую ветку. Всё, что можно проверить тестами, линтером и понятным списком критериев, команда крутит сама, а миграции данных, безопасность и продуктовые решения я оставляю себе.
При этом даже с тестами и критериями за агентами всё равно нужен здравый смысл на приёмке. Кроме того случая с четырнадцатью кругами ревью, в другой раз агент пришёл ко мне с идеей поднять таймаут на мутационные тесты: мол, тесты идут 180 минут, надо таймер повысить. Я ему ответил прямо: «Ты офигел, 180 минут на тесты, переделывай тест». И он тут же спохватился: «Ой, и правда, как это я не заметил». Пока носом не ткнёшь, он такую нелепость не видит, поэтому финальная приёмка остаётся за мной.
Киф Моррис, консультант Thoughtworks, в статье на сайте Мартина Фаулера называет такой режим «человек над циклом» (on the loop): человек правит не каждую строчку кода за агентом, а саму обвязку — спецификации, проверки и правила работы. Именно так я и стараюсь действовать: когда результат получается плохим, я иду чинить инструкции, критерии или процесс. А на случай, если агент забудет задать вопрос или задачи тихо встанут после сбоя, у меня крутится регулярная проверка на недорогой модели DeepSeek Flash. Она со свежим контекстом проходит по активным задачам, ищет архитектурные проблемы и зависшие тесты и пишет мне, если что-то пошло не так. Раз в сутки приходит сводка по всем проектам — что сделано и какие решения приняты, а при желании с командой можно переписываться прямо в Telegram.

Для задач вне бэклога разработки я отдельно держу личного ассистента — это другой класс инструментов. Multica отвечает на вопрос, что происходит с кодом и доской, а ассистент (долго я сидел на Hermes Agent от Nous Research, сейчас переехал на OpenBot) закрывает всё, где нужны память между сессиями, встроенный браузер, расписание и доступ к терминалу на своей машине. Смешивать это с оркестратором разработки не стоит: разные контуры, разные права и разные риски.
Деньги, безопасность и привязка к поставщику
На экране расходов в Multica я увидел цифру, которая меня самого удивила: около $1 000 за неделю. На самом деле тысячу я никому не должен — когда делаешь запрос, часть вендоров возвращает цену, и система прикидывает, сколько вышло бы при оплате через API. Фактически я платил подписками: Claude за $100 и OpenCode Go, откуда беру DeepSeek, а неделя вышла пиковой, потому что я активно гонял агентов сразу на нескольких проектах. Но смотреть всё равно стоит именно на расход токенов, потому что подписка маскирует реальный аппетит оркестратора: человек, который попробовал Paperclip сразу после выхода, рассказал, что токены у него улетели моментально.
С безопасностью история ещё серьёзнее. Плагины в таких решениях часто работают вне песочницы с теми же правами, что у вашего пользователя, а проверить весь исходный код чужих интеграций физически невозможно. На корпоративные устройства без проверки я бы всё это точно не ставил. Исходники у Multica и OpenBot открыты — при желании их можно форкнуть, вычитать, провести аудит, собрать свою версию и согласовать для работы. Но до установки стоит заглянуть и в лицензии: у Multica своя лицензия на основе Apache-2.0, которая разрешает внутреннее использование в одной организации, но запрещает хостить сервис для третьих лиц или встраивать в коммерческий продукт без отдельной лицензии; у OpenBot лицензия PolyForm Noncommercial, которая коммерческое использование не разрешает.
Зачем вообще возиться со своими серверами, если у крупных вендоров уже есть OpenAI dots и Claude Managed Agents? Мне тот же dots нравится: персональный постоянный агент в ChatGPT, Slack и Teams со своим облачным компьютером и коннекторами, но модели он подбирает сам, и подключить туда чужого поставщика вроде DeepSeek в анонсе нельзя. У Claude Managed Agents среду запуска можно развернуть у себя и направить инференс через Amazon Bedrock, Google Cloud, Microsoft Foundry или свой шлюз, но модели там всё равно привязаны к идентификаторам Claude. Если завтра одного провайдера заблокируют или изменятся условия, перенести оттуда задачи, роли, память и правила приёмки будет больно. Я хочу менять модель и поставщика, не пересобирая заново всю команду и рабочий процесс, и открытые инструменты, которые живут на моём сервере, эту свободу оставляют у меня.
Что в итоге прижилось
Сейчас у меня сложилась связка из трёх инструментов: Multica для разработки, OpenBot для личных дел и всего, что требует браузера, и Paseo про запас, когда нужно просто поработать с несколькими сессиями. Первые два ещё сыроваты и иногда работают странно, но с ними мне удобно и всё завелось без долгой возни.
Если пробовать такое у себя, я бы начинал с одной задачи, одного исполнителя и одного проверяемого правила приёмки, а второго агента добавлял, когда понятно, зачем именно он нужен. Команда и оркестратор нужны далеко не всегда: они требуют времени на настройку и тратят много токенов, поэтому оправдывают себя, когда ручные передачи между сессиями реально стали узким местом.
Для себя я главный результат почувствовал по одной бытовой мелочи: окно с агентами больше не висит постоянно рядом с рабочим монитором. Я заглядываю туда утром и вечером, днём приходят уведомления, только если без меня никак, а раз в сутки падает сводка. И теперь я стараюсь спрашивать себя не сколько агентов у меня работает, а сколько времени и внимания я себе вернул.
Источники
Продуктовый инженер — это не продакт, который научился кодить, 21 сентября 2026 — «И вместе с ним лучше виден налог на передачу работы. Продакт описывает задачу. Инженер уточняет требования и реализует их. Тестировщик проверяет результат, продакт смотрит — и выясняется, что получилось не то.»
Building effective agents, Anthropic, 19 декабря 2024 — «In the evaluator-optimizer workflow, one LLM call generates a response while another provides evaluation and feedback in a loop.»
Nelson F. Liu и соавторы, Lost in the Middle: How Language Models Use Long Contexts, arXiv:2307.03172, таблица 6 («20 Total Retrieved Documents»): GPT-3.5-Turbo, Index 0 — 75.8%, Index 9 — 53.8%.
Latency optimization, OpenAI — «A long prompt can delay the first token, especially when much of the input is new.»
Jie Huang и соавторы, Large Language Models Cannot Self-Correct Reasoning Yet, arXiv:2310.01798v2 (ICLR 2024), таблица 3, GPT-4, выборка 200 задач GSM8K: «Standard Prompting» — 95,5%, «Self-Correct (round 1)» — 91,5%.
README awesome-agent-orchestrators, коммит
36ac525от 18 ноября 2026, 06:12 UTC: 350 пунктов вне раздела Resting и 19 в разделе Resting; между коммитами1fcc1afи36ac525добавлено 36 новых пунктов.Kief Morris, Humans and Agents in Software Engineering Loops, martinfowler.com, 4 марта 2026 — «Let’s call this “on the loop.”» И: «The “on the loop” way is to change the harness that produced the artefact so it produces the results we want.»
Multica (LICENSE v0.10.0) — «you may not use the Multica source code to provide a hosted service to third parties, or embed Multica as a component of a product or service that is sold, licensed, or otherwise commercially distributed to third parties.» OpenBot (LICENSE) — «Any noncommercial purpose is a permitted purpose.»
Introducing dots, OpenAI, 29 сентября 2026 — «Your dot is always within reach, whether it is through ChatGPT, Slack, or Teams.» И: «Your dot can draw on different models for different parts of its work.»
Self-hosted inference, Anthropic — «Agents name models by their Claude API IDs, such as claude-opus-5-5.» Провайдеры в таблице: Claude API, Amazon Bedrock, Claude Models on Google Cloud, Microsoft Foundry, свой gateway.
Впервые опубликовано в моём блоге: shady2k.ru.
Комментарии (12)

Dhwtj
21.11.2026 13:19Все эти идеи уже прокашляли
Не работают они
Агентов бесполезно оркестрировать, проверять агентов, выполнять разные роли и в разном контексте качество это почти не повышает. Выше скорость, ниже стоимость, но качество теряется при трении между агентами.
Что меня сейчас интересует это управление требованиями. Человек управляет требованиями высокого уровня, строит ментальную модель, общие правила, абстракции, образ. А чем ниже, чем ближе к тому что агент может быстро обследовать: коду и историческим данным, тем больше можно делегировать.
Но это не точно© Пока только на ощущениях

shady2k Автор
21.11.2026 13:19У меня второй агент лучше всего прижился на ревью. Даю ему исходную задачу и diff. Если первый агент неверно понял требование и написал под это тесты, у второго есть шанс заметить расхождение, даже когда все тесты зелёные.
Ещё мне полезно совмещать разные модели: одна пишет код, другая его проверяет. По моему опыту, качество от этого выше. Насколько именно — я не замерял.

Arsenal_Plus
21.11.2026 13:19Доброго дня! У нас агент уже собирает из переписки закупщиков товары, которые запрашивают менеджеры. Читал про ваши четырнадцать кругов ревью и думал, как это выглядело бы у нас. Допустим, менеджер указал модель ноутбука, у которой три комплектации, и в письме нет артикула. Сколько агентов ни перечитают письмо, артикул там не появится. Я бы хотел, чтобы в такой ситуации координатор сам попросил менеджера уточнить комплектацию и после ответа продолжил работу. По каким признакам ваш тимлид решает, что пора остановить ревью и вернуться за уточнением к тому, кто поставил задачу?

shady2k Автор
21.11.2026 13:19В истории с четырнадцатым кругом тимлид сам не остановился — задачу остановил я. Эту часть процесса я ещё настраиваю.
В вашем примере я бы дал тимлиду такое правило: если по письму подходят три комплектации и ни одну нельзя исключить, вернуть вопрос менеджеру. Причём спросить конкретно: «Подходят вот эти три. Какую берём?» И поставить задачу на паузу до ответа. Тут уже на первом проходе понятно, какой информации не хватает, ждать второго ревью незачем.
InsiderCrush
А можно посмотреть на сам продукт, который Вы написали агентами? А то вся статья о том, как вы лихо процесс организовали, но процесс ради процесса никому не интересен. Интересно - "вот я как организовали все и вот что в итоге получилось". А историй "я офигенно все тут все настроил, но показать продукт никакой не могу" тут миллионы и так. Каждый вайбкодер свой "гениальный" вариант бежит нам описывать.
shady2k Автор
Вот один из проектов, который я делаю с агентами: nocx на GitHub. Сам процесс я ещё собираю. Но один результат уже чувствую: у меня стало больше времени, и я меньше тревожусь. Раньше каждые полчаса поглядывал в окно с агентами — вдруг кто-то застрял. Сейчас, если нужно моё решение, мне приходит уведомление.
InsiderCrush
Простите, но просто Ваши поделки, которые вы навайбкодили не очень интересны. Интересен продукт "вот я навайбкоидил и этот проект меня кормит и ничего не сломалось ни у кого и нет претензий". Или другими словами. Покажите что вы что то полезное навайбкодили. Продукт. Востребованный другими и за него платить готовы. То что любой вайбкодер на себя корону Великого Архитектора и Аи саппорт инженера надевает - мы и так в курсе. Нам бы доказательств эффективности вайбкодинга.
shady2k Автор
Я пятый месяц разрабатываю nocx. Ссылку дал, чтобы можно было посмотреть, что получилось. Если ваш критерий эффективности — выручка, то мой пример на этот вопрос не отвечает.
Под вайбкодингом я понимаю подход, при котором принимаешь сгенерированный код, потому что он сработал на выбранном сценарии. Для меня это годится максимум для MVP, когда нужно быстро проверить гипотезу.
В nocx часть кода пишут агенты. За счёт этого у меня стало больше времени на архитектуру, безопасность и ревью. Мне всё равно нужно понимать, почему выбранное решение подходит проекту, что оно может сломать и как это проверить до слияния. Когнитивная нагрузка у меня при этом даже выше: сам код я пишу реже, зато больше времени провожу за такими решениями.
InsiderCrush
Это не мой критерий. Если Вам платят (Вы получаете доход) от того, что вы делаете - Вы профессионал. Если не платят - любитель. Пока что Вы по этим признакам вайбкодер-любитель.
shady2k Автор
Мне как раз удобно отлаживать процесс на пет-проекте: цена ошибки невысока. Если ревью ушло на четырнадцатый круг, я могу остановиться, разобраться, почему так вышло, и на следующей задаче попробовать другой подход. Для меня nocx в этом смысле — хорошее место, чтобы понять, что потом стоит брать в работу с командой.
InsiderCrush
Вот, наконец то мы дошли до того места, над которым все иронизируют. Может быть, прежде чем писать статьи о вайбкодинге, сначала соберете что то рабочее с его помощью? Как Вы там и что отлаживаете у себя в пет-проектах никому дела нет. Таких репо никому не нужных и живущих только пока в нем не разочаровался его создатель - сотни тысяч. И каждый норовит статью написать и щедро поделиться своей мудростью и гениальностью с другими. Все устали от заявлений, что вайбкодинг это супер. Т.к. заявляют это как раз такие вот держатели никому ненужных репо. Поэтому и вопрос - есть что то годное и приносящее пользу и прибыль?
Yarus23
Ну время не сильно коррелирует с качеством. У меня вообще рой агентов на отдельном сервере и около 70 агентов постоянно активны примерно уже месяцев семь. И еще 5 месяцев до выпуска продукта. 1100 pr на текущий момент, миллиардов 100 токенов. Так вот пришлось написать свой харнесс а не полагаться на ум агента