Как сделать AI-агентов по коду умнее: обратная связь в реальном времени

Работа с AI-помощниками по коду часто идёт по одному сценарию. Агент пишет код, запускает его и получает ошибку. Потом просто останавливается — как будто забыл, что произошло. Ему нужно подсказывать, какие файлы изменились и где искать логи сборки.

Проблема здесь не в самом AI, а в том, как мы передаём ему информацию о результате.

Наблюдаемость, которая влияет на решения

Обычно логи в агентных системах служат только для отладки. Но что, если эти данные сразу попадали бы в следующий цикл принятия решений агентом?

Именно на этом строится подход в TMA1 v2 и подобных инструментах. Вместо того чтобы просто фиксировать события, система возвращает агенту контекст о том, что произошло.

Обычный цикл работы агента выглядит так:

• Принять решение
• Выполнить действие (прочитать файл, запустить команду, изменить код)
• Получить результат
• Повторить

Но результат часто приходит без важного контекста. Агент не знает автоматически, прошла ли сборка, трогал ли кто-то файлы параллельно и не повторяет ли он уже проваленный подход.

Что нужно передавать агенту

Современные инструменты решают эту проблему, автоматически добавляя в контекст ключевую информацию:

Состояние сборки. Если команда завершилась с ошибкой, агент должен увидеть сообщение об ошибке сразу, а не в следующем цикле.

Состояние сессии. Сколько уже выполнено вызовов инструментов, сколько потрачено токенов и не пора ли сжимать контекст.

Отслеживание изменений файлов. Система может различать правки, сделанные агентом, и изменения от человека или другого агента. Это избавляет от ситуации «я не заметил, что файл уже изменили».

Обнаружение аномалий. Повторяющиеся правки одного файла без изменения ошибки, слишком большой контекст или одновременная работа нескольких агентов — всё это система может заметить и подсказать агенту изменить стратегию.

Как агенты работают вместе

Когда над проектом работают несколько агентов, простой групповой чат быстро становится неэффективным. Слишком много лишнего текста и лишних расходов на API.

Код пишется по жёсткому циклу: планирование, написание, проверка, ревью, доработка. Главное — чтобы результаты ревью сразу попадали к тому, кто пишет код, в структурированном виде.

Для этого нужна общая система наблюдаемости. Через API или протокол Model Context Protocol каждый агент может запросить нужную информацию из сессии другого.

Что требуется для реализации

Чтобы такой цикл обратной связи работал, нужно несколько компонентов:

1. Полное покрытие хуками. Отслеживание ключевых моментов: начало сессии, перед каждым промптом, после выполнения инструмента, перед сжатием контекста.

2. Точная атрибуция изменений. При изменении файлов система определяет, кто именно внёс правки — по времени события и совпадению с вызовами инструментов.

3. Структурированные блоки контекста. Вместо сырых логов агент получает чистые данные: метаданные сессии, статистику использования инструментов, последние изменённые файлы и обнаруженные аномалии.

4. Интеграция с MCP-сервером. Model Context Protocol позволяет агентам запрашивать состояние проекта и других сессий через единый интерфейс.

Что меняется на практике

Когда агент видит контекст произошедшего, он начинает работать иначе. Быстрее исправляет ошибки, не зацикливается на одном подходе, лучше координируется с другими и экономнее расходует токены.

Это пока новая область, но направление понятно: наблюдаемость должна не просто фиксировать события, а влиять на следующие действия агента.

Что будет дальше

В ближайшее время стоит ждать стандартизации форматов контекста, более точного определения причин, по которым агент «застревает», и лучших протоколов взаимодействия между агентами. А также интеграции с CI/CD, системами контроля версий и развёртывания.

Сами модели, возможно, изменятся не сильно. Зато инфраструктура вокруг — наблюдаемость, петли обратной связи, координация — даст основной прирост эффективности.

Если вы работаете с AI-агентами сейчас, подумайте: какой контекст агент сейчас не видит, но который мог бы изменить его следующее решение. Скорее всего, именно там скрывается главный потенциал для улучшения.