В профессиональном сообществе аналитиков и разработчиков ИИ произошло знаковое событие: в сеть попал внутренний гайд компании Anthropic, посвященный так называемой loop-инженерии — методологии построения циклов работы ИИ-агентов. Ведущий аналитик Майлз Дойчер назвал этот документ самым ценным руководством по искусственному интеллекту, которое ему доводилось видеть за последний год. Хотя факт утечки пока официально не подтвержден, содержание документа уже вызвало бурное обсуждение.

Пять столпов цикла: от обнаружения до расписания

Дойчер выделил пять ключевых принципов, на которых строится каждый такой цикл, ссылаясь на публикацию инженера Энди Османа. Первый — обнаружение: агент самостоятельно находит себе задачи через сбои тестов, открытые задачи и коммиты. Второй — изоляция: каждая задача получает отдельную рабочую ветку в системе контроля версий.

Третий принцип — проверка: генератор кода никогда не должен сам оценивать свою работу. Четвертый — устойчивость: запись состояния на диск, чтобы оно сохранялось между запусками. Пятый — расписание: система работает по таймеру, в том числе пока пользователь спит.

Самым важным правилом Дойчер назвал разделение генератора и оценщика. Необходимо использовать двух агентов: один пишет код, а второй выступает скептически настроенным судьей, который исходит из того, что код сломан. Оценщик при этом должен действовать — запускать тесты, нажимать кнопки, делать скриншоты. Именно это, по словам аналитика, реально отсекает плохой результат.

Риски и стратегия «80 на 20»

Дойчер перечислил и риски такого подхода. Среди них — «долг по проверке», потеря понимания собственной кодовой базы, взрывной рост расходов на токены и «когнитивная капитуляция» — когда человек перестает думать, полагаясь на то, что «цикл сам справится».

Для контроля над расходами аналитик предложил подход «штанги» по принципу 80 на 20. Для самых сложных задач, требующих максимального интеллекта, стоит использовать дорогие модели вроде Opus, а остальные 80% рутинной работы выполнять дешевыми моделями с открытым исходным кодом в рамках инструментария Claude Code. В качестве примера для исполнения кода он привел модель GLM-5.2.

Личный файл настроек Карпатого

Схожую тему поднял инженер Хайраллах аль-Авади. По его словам, разработчик ИИ Андрей Карпатый присоединился к Anthropic пять недель назад, а знакомый из его команды показал файл Claude.md, который тот якобы использует в работе. Аль-Авади внедрил этот файл в свою конфигурацию, и первый же ответ модели оказался совершенно другим. По его утверждению, Claude перестал давать обобщенные ответы и начал работать в той логике, в которой мыслит сам пользователь.

Мое экспертное мнение: Обсуждения вокруг этого гайда отражают реальный тренд: разработчики все активнее выстраивают автоматизированные циклы работы ИИ-агентов. Ключевыми темами остаются разделение ролей между моделями, контроль качества и удержание расходов на токены. Файл Claude.md от Карпатого — еще одно подтверждение того, что персонализированные конфигурации становятся стандартом индустрии, кардинально меняя качество взаимодействия с моделями.