Большие языковые модели, несмотря на свою мощь, страдают от отсутствия постоянной памяти, что требует повторения инструкций. Это привело к разработке агентного ИИ, который может выполнять задачи автономно, а не просто предлагать варианты. Автор исследовал ранние функции GitLab AI, а затем перешел к более мощным агентным инструментам, таким как OpenCode. Ключ к эффективному использованию ИИ-ассистентов заключается в направлении их с помощью конкретных инженерных инстинктов и четких указаний. Оптимизированный рабочий процесс ИИ ставит задачи в приоритет, позволяет быстро загружать контекст и обеспечивает параллельную работу над несколькими проектами. Повторяющиеся задачи могут быть автоматизированы с помощью документированных процедур для последовательного выполнения. Эффективность использования токенов имеет решающее значение и достигается за счет использования оптимизированных инструментов для сбора данных, а не только полагаясь на LLM. Активное делегирование, при котором ИИ выполняет задачи под наблюдением человека, является основным паттерном. Нечеткие инструкции для ИИ неэффективны; для надежных результатов необходимы точные, "хирургические" указания. Чтобы предотвратить взаимное влияние сеансов ИИ, необходимы примитивы координации, такие как рабочие деревья и системы памяти. Следует изучить существующие решения, прежде чем создавать новые; вклад часто предпочтительнее переизобретения. Проактивная инъекция контекста, при которой соответствующие воспоминания автоматически отображаются, значительно повышает эффективность ИИ. Этот переход от активного к пассивному извлечению позволяет ИИ предвидеть потребности и предоставлять контекст без явных запросов. Загрузочные шлюзы и итеративное уточнение жизненно важны для улучшения производительности ИИ, гарантируя, что они приостанавливаются и загружают критически важные директивы.