Как разбивать огромные задачи в коде: AI-агенты масштабируются без потери контекста

Бывало ли у вас такое? Запускаете AI-агента на рефакторинг системы авторизации. Проходит полчаса — и он уже путается в требованиях. Забыл исходные файлы, начал додумывать сам. Приходится вмешиваться и направлять его по шагам.

Есть подход получше. Без ручного описания каждого нюанса и постоянного контроля.

Проблема с контекстным окном, о которой молчат

AI-агенты отлично справляются с простыми задачами. Дайте им одну функцию для оптимизации или тесты для добавления — сделают идеально. Но если нужно перелопатить весь кодбейс? Тут начинается хаос.

Даже с окном в 200 тысяч токенов агент тонет в истории чата, заметках и сниппетах. Накопилось слишком много — и он уже не может думать ясно. Как будто заставить человека держать в голове все прошлые разговоры во время кодинга.

Паттерн координатора к спасению

Представьте систему из нескольких агентов:

• Координатор видит общую картину и составляет план
• Рабочие агенты берут по одному кусочку
• Ревьюер проверяет ключевые этапы

Это классика распределения задач. А с LLM это работает на новом уровне.

Координатор делает минимум:

1. Разбивает задачу на фазы с зависимостями
2. Следит за прогрессом и блокировками
3. Держит в памяти только план, без деталей кода
4. Запускает рабочих, когда предусловия готовы

Каждый рабочий живет в изолированной среде — отдельный git worktree. Получает четкий промпт: "Переделай этот модуль на dependency injection. Вот код сейчас, вот цель".

Никакого переполнения контекста. Только нужный кусок кода.

Сила совместного ревью

Ключевой трюк — ревьюер с чистым контекстом. Он вмешивается до старта фазы и после нее.

Координатор предлагает план: сначала отделить аутентификацию от авторизации, потом вынести логику ролей, затем добавить кэш разрешений. Ревьюер может заметить: "Фаза три ждет вторую, но что с миграцией БД?"

Это как техлид, который смотрит план до начала работ. Ловит ошибки заранее, пока они не разрослись.

После фазы ревьюер смотрит diff. Соответствует ли цель? Нет ли побочек? Качество на уровне?

Когда применять и когда нет

Подход идеален для больших рефакторингов. Почему?

• Ясные критерии успеха: код работает как раньше, но чище
• Мало домыслов: рефакторинг не требует знаний бизнес-логики
• Разные взгляды: несколько агентов или моделей дают лучший результат

А для добавления формы в три поля? Не стоит. Используйте для задач на 50 файлов и неделю работы.

Что это меняет в вашем кодинге

Теперь AI берет на себя серьезные куски без вашего надзора. Паттерн координатор-рабочие тянет проекты, где раньше нужен был постоянный контроль.

Для разработчиков в NameOcean и не только — управляете инфраструктурой, автоматизацией или legacy-кодом? Вот примеры:

• Рефакторинг инфраструктуры: с монолитного Terraform на модульный IaC
• Модернизация legacy: шаг за шагом к современным практикам
• Перестройка API: разбиение связанного кода на сервисы

Секрет в разбиении и изоляции. Контекст не рушится. Работает с AI и с людьми.

Как запустить на практике

Ничего сложного не нужно:

1. Изолированные среды (git worktrees подойдут)
2. Координатор (агент, скрипт или промпты)
3. Шаг ревью в процессе
4. Четкие спецификации без лишней бизнес-логики

В NameOcean мы так развиваем AI для Vibe Hosting. Это позволяет AI тянуть продакшн-задачи. Вместо борьбы с лимитами контекста — используем их.

В следующий раз на большом рефакторинге не кидайте все в один промпт. Разбейте. Скоординируйте. Проверьте. Дайте агентам делать то, в чем они сильны — точечные изменения.

Ваш контекст (и нервы) скажут спасибо.