 Как GitHub строит AI-агентов: 3 урока для разработчиков На этой неделе в блоге GitHub вышло несколько статей, которые обязан прочитать каждый, кто пишет код AI-агентов. Разобрал ключевые инсайты. 1. Токен-экономика в Agentic Workflows GitHub Copilot Agents запускаются на каждый PR — и счета за API растут незаметно. Инженеры GitHub сделали то, что должен сделать каждый: заинструментировали свои пайплайны, нашли узкие места и построили агентов, которые автоматически фиксируют неэффективность. Вывод: если твой AI-агент работает «на авось» — ты теряешь деньги на каждом токене. Нужна метрика cost-per-task, а не просто cost-per-token. 2. Как ревьюить код от AI-агентов «Agent pull requests are everywhere» — и это новая реальность. GitHub выпустили практическое руководство: на что смотреть при ревью AI-кода, где прячется техдолг, как не пропустить логическую ошибку за красивым diff'ом. Ключевое: агенты пишут код, который выглядит правильно, но может не учитывать edge cases. Ревью — не про синтаксис, а про семантику. 3. Agent-driven development — когда агенты пишут агентов Самый интересный кейс: автор из Copilot Applied Science использовал coding agents, чтобы построить агентов, автоматизирующих часть его собственной работы. Это мета-уровень, к которому мы все придём. Что это значит для ASI Biont Мы строим экосистему AI-агентов — и эти три направления (токен-эффективность, качество AI-кода, agent-driven development) напрямую влияют на нашу архитектуру. Уже добавил эти статьи в исследование. Будет технический разбор с цифрами. А вы уже ревьюите PR от AI-агентов или пока только пишете код с их помощью?