Детальний підсумок відео: "Agentic Engineering у 2026 році"

Автор: В'ячеслав Колдовський, компетенс-менеджер у Софтсерві, керівник центру генеративного ШІ в IT-степуніверситеті, експерт з впровадження AI у реальних проектах.

1. Відмінність між "Vibe Coding" та "Agentic Engineering"

• Vibe Coding — це підхід, де розробник просто описує свої думки AI-інструменту (наприклад, Cursor, GitHub Copilot), який генерує код. Це працює лише для простих проектів, але не підходить для складних систем, Legacy-коду чи проектів з численними вимогами.
• Agentic Engineering — це застосування інженерних знань та best practices (архітектура, продуктивність, безпека) з використанням AI-інструментів для прискорення розробки. Це не заміна інженерії, а її посилення.

2. Зміни в софтверній інженерії та складності

• Рух у бік повністю автогенерованого коду набирає обертів, але поки що не універсальний.
• Навички змінюються:
  • Менш критичним стає написання коду вручну.
  • Більш важливими стають розуміння систем, рев'ю коду, робота з AI-інструментами.
• Масштабованість розробника: гарний фахівець, використовуючи AI, може значно підвищити продуктивність (як "10x інженер × 10x AI = 100x"). Однак некомпетентний розробник не отримає користі.
• Нові виклики: рев'ю великих обсягів AI-згенерованого коду, управління безпекою, інтеграція AI у процеси.

3. Проблеми безпеки при використанні AI

• Ризик витоку коду — реальний, але керований.
• Запобіжні заходи:
  • Режими privacy в інструментах (наприклад, Cursor), які забороняють використовувати код для тренування моделей.
  • Використання .gitignore для конфіденційних файлів.
  • Код не передається повністю на сервери — лише фрагменти в контексті запитів.
• Довіра до провайдерів: варто обирати перевірених постачальників AI-моделей або будувати власну інфраструктуру (on-premise).
• Відповідальність за процеси: ризики пов'язані з якістю рев'ю коду та тестуванням, а не лише з AI-інструментами.

4. Огляд інструментів та їх відмінності

• Інструментів дуже багато: Cursor, GitHub Copilot, Claude Code, VS Code з AI-плагінами, спеціалізовані рішення (Vercel V0, Figma Make).
• Відмінності:
  • Не тільки в моделях, але й в підходах до контекст-інжинірингу (як інструмент формує контекст, індексує код, використовує tools та правила).
  • Рекомендується використовувати кілька інструментів, щоб не упускати можливості.
• Ключові функції сучасних інструментів: індексація коду, робота з MCP, підтримка Agent Skills, автоматичне упакування контексту.

5. Вибір AI-моделей та їх характеристики

• Немає універсально найкращої моделі — вибір залежить від задачі та кодової бази.
• Критерії порівняння:
  • Режими роботи: моделі з "chain-of-thought" (повільніші, але точніші) vs. прямі відповіді.
  • Контекстне вікно: більше — не завжди краще. Великий контекст коштує дорожче і може погіршувати якість.
  • Вартість: постійне використання AI-моделей може бути дорожчим за зарплату розробника.
• Рекомендації: використовувати рейтинги (наприклад, Arena), тестувати моделі на конкретних задачах, керувати витратами.

6. Проблема обмеженого контекстного вікна

• Обмеження: неможливість передати весь великий проект в контекст.
• Рішення:
  • Контекст-інжиніринг: передавати лише необхідні фрагменти коду або документації.
  • Інструменти для упакування контексту (наприклад, Repomix для малих проектів).
  • Автоматичне узагальнення контексту (як у Cursor), але з можливими спотвореннями.
• Важливо: вміння працювати з обмеженим контекстом — ключова навичка сучасного розробника.

7. Робота з великими проектами та Legacy кодом

• Складнощі: AI-інструменти часто не справляються зі складними архітектурами, зайвими залежностями, неконсистентним кодом.
• Ефективні підходи:
  • Документація поряд з кодом: технічна та функціональна документація має бути в репозиторії, актуальною та структурованою.
  • Steering Rules: чіткі правила для агентів, які визначають стиль коду, архітектурні підходи.
  • Spec-Driven Development: формалізація вимог до коду через специфікації.
  • MCP-інтеграції: підключення зовнішніх джерел даних або інструментів.
  • Agent Skills: створення спеціалізованих навичок для конкретних задач.

8. Spec-Driven Development (SDD)

• Суть: спочатку створюється детальна специфікація, на основі якої AI генерує код.
• Переваги:
  • Можливість швидко перемикатися між стеками технологій.
  • Фокус на проектуванні, а не на написанні коду.
• Інструменти: OpenSpec, Спект від GitHub, BMAD.
• Рекомендація: SDD особливо ефективний для великих проектів, але вимагає навичок роботи з специфікаціями.

9. MCP та Agent Skills

• MCP (Model Context Protocol):
  • Надає агентам "інструменти" (tools) для виконання задач (наприклад, доступ до БД, пошук документації).
  • Недоліки: може перевантажувати контекстне вікно, уповільнювати роботу.
• Agent Skills:
  • Навички, описані в Markdown-файлах з frontmatter (назва, опис).
  • Завантажуються частково, що економить контекст.
  • Можуть включати скрипти, ресурси, інструкції.
• Перспектива: інвестиції в створення Agent Skills — це майбутнє розробки, парадигма "skills development".

10. Висновки та рекомендації автора

• Agentic Engineering — це нова реальність, де AI посилює розробника, але не замінює інженерне мислення.
• Ключові навички майбутнього: контекст-інжиніринг, робота з документацією, управління ризиками та витратами, Spec-Driven Development, створення Agent Skills.
• Рекомендації:
  • Використовувати кілька AI-інструментів.
  • Пиляти навички роботи з великими проектами через документацію та правила.
  • Експериментувати з SDD та Agent Skills.
  • Контролювати витрати на AI-моделі.

Промокод на курс автора: доступний у відео (креш-курс з FWS Academy по роботі з AI у великих Legacy проектах).
Підтримка каналу: підписка, лайк.