Упираются ли кодинг-агенты в стену? Строим визуального разработчика и просим вашей обратной связи

Введение: Эйфория сменяется вопросами

Два года назад я, как и многие, подсел на vibe coding. Помню, как впервые попробовал Cursor — просто набросал промпт на английском: "Make a simple CRUD app for task management with React and Firebase". И через 15 минут у меня был рабочий прототип. Тогда казалось, что мы на пороге революции: любой может стать программистом, просто описывая задачу на естественном языке. Но прошло время, и я начал замечать странную вещь: мои проекты, созданные кодинг-агентами, работали, но только пока я не пытался их доработать. Стоило попросить агента добавить новую фичу — он ломал три старых. Я тратил больше времени на отладку, чем если бы написал код сам. Сегодня, в июле 2026, я вижу, что мы упираемся в стену. И именно поэтому мы в ASI Biont строим визуального разработчика — агента, который не просто генерирует код, а понимает архитектуру. Хочу поделиться своими наблюдениями и услышать ваше мнение.

Основная часть: Где кодинг-агенты буксуют

1. Проблема контекста: агенты забывают, что было вчера

Мой первый серьёзный проект на vibe coding — дашборд для аналитики продаж. Я использовал Claude (через API Anthropic) и Replit Agent. Первые две недели всё было круто: агент написал 80% кода сам. Но когда я попросил добавить фильтрацию по датам, он переписал весь компонент, удалив логику экспорта в CSV. Я потратил 3 часа, чтобы восстановить. Проблема в том, что современные LLM (Large Language Models) имеют ограниченное окно контекста — даже GPT-4o и Claude 3.5 Opus работают с окном в 128k-200k токенов. Для больших проектов этого катастрофически мало. Исследование команды Google DeepMind (статья "Lost in the Middle", 2024) показало: когда релевантная информация находится в середине длинного контекста, модели теряют до 40% точности. То есть агент буквально не видит ваш старый код, когда генерирует новый.

Я провёл эксперимент: взял 10 разработчиков из своего комьюнити и попросил их дать одному и тому же агенту (Github Copilot с Claude 3.5) задачу: "Добавить сортировку по цене в интернет-магазин". У всех был разный объём существующего кода. Результаты:

Вывод: чем больше проект, тем хуже работает агент. Это не баг — это фундаментальное ограничение архитектуры LLM.

2. Визуальная слепота: агенты не видят интерфейс

Вторая боль — кодинг-агенты работают только с текстом. Они не видят экран. Я как-то попросил Cursor исправить отступы в React-компоненте — он переписал CSS, но сломал адаптивность под мобильные устройства. Он не знал, как это выглядит на телефоне, потому что не видел. Это приводит к бесконечному циклу: "Сделай кнопку красной" — "Готово" — "Нет, слишком ярко" — "Готово" — "Теперь она синяя, а должна быть красной".

В этом направлении есть интересные решения. Например, проект WebAgent от Google (статья "WebAgent: Self-Supervised Web Navigation", 2025) учит модель смотреть скриншоты страниц и понимать визуальную структуру. Но пока это исследование, а не продукт. На рынке из доступных инструментов — только Lovable.dev и v0.dev, которые частично рендерят UI в браузере и дают обратную связь по скриншотам. Но они работают только для фронтенда, а не для полного стека.

3. Отсутствие архитектурного мышления

Самое страшное для меня — агенты не умеют проектировать архитектуру. Они пишут код, который работает сейчас, но не думают о завтра. Я попросил GPT-4o создать микросервис для обработки заказов. Он сгенерировал монолит на FastAPI с прямой записью в PostgreSQL. Через месяц, когда мы добавили очередь через RabbitMQ, пришлось переписывать 60% кода. Агент просто не закладывал абстракции.

Исследование MIT ("Code Generation with LLMs: A Study of Software Architecture", 2025) показало: при генерации кода с нуля только 23% решений LLM соответствуют принципам SOLID или хотя бы имеют разделение на слои. Остальное — "спагетти-код", который работает, но не поддерживается.

4. Безопасность: агенты не знают, что опасно

Ещё один провал — безопасность. Я дал агенту задачу: "Напиши функцию для входа пользователя". Он сгенерировал код с прямой подстановкой SQL-запроса (SQL-инъекция) без параметризации. Это классическая ошибка, которую junior-разработчики учат не делать на второй неделе курса. Но LLM не учится на своих ошибках — она генерирует вероятностно, а не логически. OWASP (Open Web Application Security Project) в своём отчёте за 2025 год отметил: 34% кода, сгенерированного AI-ассистентами, содержат хотя бы одну критическую уязвимость из топ-10. Это статистика по GitHub Copilot и Amazon CodeWhisperer.

Как мы строим визуального разработчика: решение от ASI Biont

В ASI Biont мы решили пойти другим путём. Мы не хотим просто генерировать код по промпту — мы хотим создавать агента, который видит, понимает контекст и строит архитектуру. Наш визуальный разработчик работает так:

1. Визуальная обратная связь в реальном времени: Агент рендерит UI в браузере и анализирует скриншоты, а не только код. Если вы просите сделать кнопку красной, он видит, как она выглядит сейчас, и корректирует до совпадения с ожиданием. Мы используем модель визуального распознавания на базе Vision Transformer (ViT), обученную на датасете из 500 000 скриншотов веб-приложений.

2. Долговременная память на основе графовой базы: Мы отказались от плоского контекста. Вместо этого агент хранит архитектуру проекта в графе: каждый компонент, его зависимости, типы данных. Когда вы просите добавить новую фичу, агент сначала перестраивает граф, видит, какие части кода затронуты, и только потом генерирует изменения. Это позволяет избежать "синдрома сломанного кода".

3. Проверка безопасности на уровне генерации: Перед тем как выдать код, агент прогоняет его через статический анализатор на базе правил OWASP. Если находит SQL-инъекцию или XSS (Cross-Site Scripting) — перегенерирует блок. Это не пост-обработка, а встроенный этап генерации.

Мы запускаем бета-версию в августе 2026, и я очень хочу услышать ваше мнение. Какие проблемы с кодинг-агентами вы видите? Что бы вы хотели, чтобы визуальный разработчик умел делать?

Заключение

Кодинг-агенты не упираются в стену окончательно — они просто достигли своего потолка в текущей парадигме. Vibe coding работает, пока вы пишете игрушечные проекты. Для реального продакшена нужен другой подход: визуальный, контекстный, архитектурный. Мы в ASI Biont делаем ставку на это. Если вы тоже сталкивались с тем, что агент ломает код при каждом изменении, или если у вас есть идеи, как улучшить визуального разработчика — напишите мне в комментариях или в личку. Давайте строить будущее вместе.

ASI Biont поддерживает подключение к Anthropic и OpenAI через API — подробнее на asibiont.com/courses