ИИ-агенты без хаоса в коде

Как работать с ИИ-агентом в разработке так, чтобы проект оставался поддерживаемым после серии быстрых изменений? В этом видео разбирается подход к агентной разработке, где главное не “дать агенту больше контекста”, а дать ему релевантный контекст для небольшого проверяемого этапа. На примере dot_ai показана операционная модель вокруг агента: внешняя память проекта, specs, stages, skills, rules, субагенты, validators и evals. Речь не о том, как сделать агента “умнее”, а о том, как организовать работу так, чтобы решения не терялись в чате, требования были проверяемыми, контекст не превращался в шум, а результат можно было продолжить, проверить и передать другому разработчику. Внутри лекции: - почему агентные изменения снижают поддерживаемость без workflow; - как .ai/ становится памятью процесса, а не декоративной документацией; - зачем нужны stages с ENTRY/EXIT условиями; - почему spec должен появляться до промпта; - как skills и rules помогают подгружать контекст в нужный момент; - зачем субагенты нужны не как “ещё один умный исполнитель”, а как механизм упаковки большого контекста; - почему критичные правила нужно проверять validators и evals; - как применять dot_ai в существующем проекте. Главная идея: не поручайте агенту “улучшить проект”. Дайте ему небольшой проверяемый этап, релевантный контекст и workflow, который сохраняет смысл изменений после завершения сессии. Репозиторий проекта: https://github.com/davjdk/dot_ai