Недавно я сел писать парсер для внутреннего отчета. Через час у меня был рабочий скрипт, тесты и короткая документация. Код писал не я: ChatGPT предложил структуру, я поправил пару мест, и все запустилось. После этого я повторил эксперимент на двух реальных проектах и теперь отвечаю уверенно: сделать программу с помощью ИИ можно, но только при соблюдении нескольких правил. Про них и расскажу.
ИИ не делает всю работу за вас. Он берет на себя рутинные операции, которых на самом деле большинство: написание кода, поиск ошибок, тестирование и подготовка документации. Именно это отмечают в аналитическом отчете о разработке с ИИ: рутина - главный пожиратель времени. Но чтобы нейросеть работала правильно, понадобится управлять процессом.
Разработка с ИИ на самом деле
Определимся с терминами. Разработка программного обеспечения с помощью ИИ - это не просто набор строк по промпту. Это системное использование нейросетей на всех этапах: анализ требований, проектирование, кодинг, тестирование, документирование, поддержка. ИИ автоматизирует однообразные задачи и освобождает вам руки для творчества. Но результат напрямую зависит от того, насколько точно вы объяснили модели, что хотите.
Проще говоря, если попросить нейросеть «сделай программу», ответ будет бесполезным общим текстом. Или кодом, который вообще не запускается. Когда даете конкретику: язык, платформа, входные и выходные данные, ограничения, получаете работающий модуль. Поэтому навык составления контекста становится важнее, чем знание синтаксиса.
Сбор требований начинается в чате
Самый недооцененный этап - сбор и анализ требований. Тут ИИ реально полезен, если дать ему сырье. Я записываю в модель слова заказчика, даже сбивчивые, и прошу: выпиши все требования, задай уточняющие вопросы. Модель спрашивает о том, о чем я сам забыл подумать. Так мы вытаскиваем границы проекта до того, как написан первый модуль.
Например, заказчик говорит «нужна CRM для маленькой команды». ИИ уточняет: кто пользователи, какие сделки, интеграция с почтой, доступы по ролям, мобильная версия. Через десять минут у вас есть структурированный список, который можно превращать в беклог. Такой подход экономит часы переговоров.
Инструменты, которые я держу под рукой
В идеальной картине у разработчика есть и ассистент в IDE, и чат с сильной моделью. Классика - GitHub Copilot. Этот ассистент, созданный совместно с OpenAI, работает внутри Visual Studio Code и идеально вливается в JetBrains. Просто начинаете печатать идею или описываете задачу простым языком - Copilot предлагает релевантные куски кода. Он работает как автодополнение, выросшее до интеллектуальных уровней.
Другой инструмент - Tabnine. Он следит за стилем кода в команде и подстраивается под ваши библиотеки. В результате предложения получаются более предсказуемыми, особенно на больших корпоративных проектах, где важна консистентность. Оба инструмента хороши для рутины, но не заменяют полноценного диалога с моделью.
Для более сложных задач я использую полноценные чаты и агентов. С их помощью пишу архитектуру, ищу баги, генерирую документацию. Именно здесь встает вопрос о доступе к сильным моделям. В России с этим сложно, но решение есть, и о нем я расскажу в конце.
Первое правило - режим планирования
Хабр - отличный источник практического опыта. Одна из самых важных мыслей, которую я там вычитал: всегда включайте режим планирования в начале задачи. Правило спасает от главной беды ИИ - уверенного исправления несуществующих багов.
Когда модель лезет чинить рабочий код, потому что ей показалось, что там ошибка, вы теряете время. Планирование заставляет нейросеть сначала составить список шагов и не уходить в сторону. В Cline, о котором говорят в том же контексте, я включаю Focus Chain и выставляю минимальный интервал Remind Cline Interval. В результате модель генерирует список задач и регулярно напоминает себе, что делает и зачем. Особенно полезно это в длинных сессиях, когда контекст расплывается.
Если проект большой, добавьте Automatic Context Summarization. Она сжимает историю разговора, чтобы не упереться в окно контекста. Но для типовых задач хватает и обычного режима планирования.
Промпты, которые приводят к рабочему коду
Качественный промпт - это техника. Как советуют на Reddit, вместо «напиши функцию поиска» используйте структуру: роль, задача, вход, выход, пример. Например: «Ты опытный C# разработчик. Напиши метод, который принимает список строк и возвращает только уникальные значения без учета регистра. Учти, что список может содержать null». Чем точнее рамки, тем меньше шансов получить мусор.
Хорошая практика - просить сразу несколько вариантов решения с оценкой плюсов и минусов. Тогда вы выбираете осознанно, а ИИ остается в роли советника, а не единственного автора.
Проверка и тестирование - бей по краям
Сгенерированный код нужно тестировать, как и свой собственный. Я прошу ИИ написать тесты для каждого модуля и специально включаю граничные случаи: пустой список, отрицательные числа, слишком длинные строки. ИИ неплохо справляется, если ему описать ожидаемое поведение.
Когда тесты падают, не пишу «исправь ошибку». Копирую сообщение об ошибке, стек-трейс и точные входные данные. И прошу: найди причину и предложи решение. В 90 процентах случаев модель находит корень проблемы, а не замазывает симптом. Оставшиеся 10 процентов разбираю вручную.
Интеграция ИИ в собственное приложение: .NET подход
Если ваша цель - не просто написать программу с помощью ИИ, а сделать так, чтобы программа сама содержала ИИ, пригодятся другие подходы. В мире .NET и C# для этого существует целый набор инструментов. Semantic Kernel - оркестратор, который превращает вызовы моделей в шаги виртуального плана. ML.NET позволяет строить классические модели предсказаний. А свежая библиотека Microsoft.Extensions.AI объединяет разных провайдеров под единым интерфейсом.
Благодаря этому можно подключить OpenAI, Mistral, Cohere, Meta. Модели живут на Azure, GitHub Models или Hugging Face и вызываются практически одинаково. Если раньше боялись привязки к одному вендору, Microsoft.Extensions.AI снимает этот страх.
Для поиска и работы с большими объемами текста используются векторные хранилища: Milvus, qDrant, Azure AI Search. Они превращают фрагменты документа в числовые векторы и позволяют искать по смыслу, а не по ключу. В связке с генеративной моделью такая база знаний дает точные ответы с ссылками на первоисточники.
Воспроизводимость результатов: что учесть
Еще один подводный камень - случайность генерации. Если температура модели не равна нулю, один и тот же запрос может дать разные ответы. Для исследователя это нормально, для разработки - нет. Вчерашний код завтра может оказаться другим. Решение - настраивать параметры генерации и добиваться повторяемости хотя бы в рамках версии модели.
Некоторые сервисы позволяют задать temperature или выбрать версию модели с фиксированными весами. Такой уровень контроля становится ключевым, когда вы строите автоматизированный процесс: конвейер ИИ, который собирает код из запросов. Если ответ нестабилен, тесты начинают плавать.
Нейросети для программирования в России: 3GPT решает доступ
Теперь о главной проблеме российских программистов. Западные сервисы показывают «недоступно в вашем регионе», а для оплаты просят иностранную карту. Я обошел это так: нашел ИИ-роутер под названием 3GPT от 3SELLER. Он открывает доступ ко всем флагманским моделям из России без VPN и иностранного эквайринга.
В 3GPT есть последние релизы: Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5 и Chat GPT 6.1 Sol. Плюс генерация картинок через Nano Banana и генерация видео. Единый вход, а внутри уже оплачено. Для разработки это закрывает большинство сценариев: пишешь код, ревьюишь, генерируешь ассеты.
Стоимость - 149 рублей в месяц. Пополнить баланс можно российской картой, через СБП или криптовалютой. Никаких иностранных счетов и виртуальных карт с комиссией. Забрать доступ можно на официальном сайте https://3seller.com/3gpt.
Для повседневных задач это не только код. Я использую те же модели, чтобы писать продающие тексты, собирать сайты, обрабатывать изображения и создавать ролики с озвучкой. Одна подписка закрывает то, на что раньше уходили десятки сервисов.
Отдельная фишка - готовые ИИ-агенты под типовые задачи. На странице https://3seller.com/ai/agents собраны агенты, которые уже настроены на конкретный сценарий: анализ данных, копирайтинг, код-ревью. Начинаете общение, и модель выбирает нужный контекст. Если она не справляется, меняете модель прямо в чате. Это как подменить двигатель, не выходя из автомобиля.
Начните с маленького скрипта сегодня
Возьмите небольшой проект, который давно откладывали: телеграм-бот, конвертер валют, парсер новостей. Сформулируйте задачу одним абзацем как для умного коллеги. Разбейте на этапы, начните с плана и только потом просите код. Используйте ИИ и для тестов, и для ревью, и для документации.
Когда почувствуете свободу, которую дают современные модели, попробуйте те же инструменты в коммерческих проектах. Нейросети не пишут программу за вас, но с ними вы управитесь в два раза быстрее. Проверено на моей практике.