🛠 Шесть компонентов кодинг-агента: почему обвязка важнее модели Себастьян Рашка в Ahead of AI разбирает внутреннее устройство кодинг-агентов вроде Claude Code или Codex. Ключевое наблюдение: разница между голой LLM и продуктивным ассистентом создаётся не моделью, а программной обвязкой агента — кодом, который управляет контекстом, инструментами, памятью и разрешениями. Рашка выделяет шесть компонентов: сбор фактов о репозитории до старта, кэширование стабильных префиксов промпта для экономии вычислений, структурированные инструменты с проверкой и контролем доступа, минимизацию раздувания контекста через обрезку и сжатие, двухуровневую сессионную память (полный транскрипт и рабочая память) и делегирование подагентам. Каждый из этих блоков решает конкретную проблему — от забывания прочитанных файлов до неконтролируемого выполнения shell-команд. Для демонстрации Рашка реализовал Mini Coding Agent на чистом Python, без внешних зависимостей. Код размечен комментариями, указывающими на каждый из шести компонентов. Это подчёркивает главный практический вывод: даже сильная модель без обвязки быстро упирается в ограничения реального проекта. Обвязка же переносит рутину на код, позволяя агенту видеть ветку git, повторно не считывать файлы, аккуратно запускать тесты и удерживать цель сквозь десятки шагов. Именно поэтому Claude Code с Opus 4.6 кажется заметно умнее, чем тот же Opus в простом чате. Рашка выдвигает спорную гипотезу: если поместить последнюю открытую модель, например GLM-5, в аналогичную обвязку, она сравняется по качеству с проприетарными аналогами — дополнительное обучение под обвязку даёт лишь небольшой довесок. Это переворачивает гонку архитектур: следующий большой скачок может произойти не в размере модели, а в инженерии контекста и памяти. Кто-нибудь уже пробовал запустить GLM-5 в самодельной обвязке и честно сравнить с Codex? #CodingAgents #AgentHarness #Raschka #ClaudeCode #GLM5