Агентная

Встроенная песочница Claude Code по умолчанию разрешает командам писать только в рабочий каталог и временную папку, а сеть пускает через прокси, список разрешённых доменов в котором изначально пуст. Так описано в документации на дату 25.10.2026.

На Linux её обеспечивают bubblewrap и socat, на macOS системный Seatbelt. Но песочница одного инструмента закрывает не всё. Пять правил, которые работают с любым агентом:

1. Отдельный пользователь без sudo. Агент с правами вашего пользователя видит ~/.ssh и ~/.aws. Документация Claude Code отдельно отмечает, что чтение таких файлов по умолчанию разрешено и закрывается настройкой filesystem.denyRead.
2. Контейнер или виртуалка для всего, что запускается без подтверждения. Удалить можно только то, что смонтировано внутрь.
3. Белый список команд вместо чёрного. Список запретов всегда что-то упускает, разрешения проще проверить глазами.
4. Нет сетевого доступа к проду. Ключи от боевой базы не должны лежать в окружении агента, переменные окружения наследуются.
5. Снапшот или чистый git перед запуском. Тогда любой rm -rf откатывается одной командой.

Ещё одна деталь из документации: если команда падает в песочнице, агент может попросить повторить её без песочницы. В строгом режиме такой повтор отключается.

Документация: https://code.claude.com/docs/en/sandboxing

Где у вас запускается агент: на рабочей машине или в контейнере?

В opencode субагент без своего поля model работает на модели того основного агента, который его вызвал. Так сказано в документации по агентам. Значит, дешёвую модель для рутины нужно прописать явно, иначе поиск по коду пойдёт на той же дорогой модели, что и главная сессия.

Самый короткий способ сделать это: отдельный субагент в markdown-файле. Файл .opencode/agents/scout.md в проекте:

---
description: Ищет файлы и читает логи, правок не делает
mode: subagent
model: anthropic/claude-haiku-5-5
permission:
edit: deny
---
Найди нужное и верни сводку до 15 строк с путями файлов.

Что здесь важно, по документации:
- Имя файла становится именем агента. Вызвать его можно вручную через @scout или оставить выбор основному агенту, он смотрит на description. Поле description обязательное.
- Формат модели provider/model-id. ID в примере взят из документации, актуальный список для своего аккаунта выдаёт команда opencode models.
- В opencode.json агенту можно задать steps, лимит шагов. Когда он исчерпан, агент обязан ответить текстом со сводкой сделанного. Документация прямо называет это способом контролировать расходы.
- edit: deny запрещает инструменты write, edit и apply_patch, так что разведчик ничего не сломает.

Основной агент Build при этом остаётся на глобальной модели из конфига. Проверить, какие агенты подхватились, можно командой opencode agent list.

Документация: https://opencode.ai/docs/agents/

Какую часть работы вы бы первой отдали разведчику на дешёвой модели?

Команда git worktree add создаёт ещё одну рабочую копию того же репозитория со своей веткой, своим HEAD и своим индексом. История и объекты при этом общие, клонировать заново не нужно.

Для параллельных агентов это самый простой способ развести их по разным каталогам. Два агента в одной папке правят одни и те же файлы и ломают друг другу сборку. В отдельных worktree каждый работает в своей ветке.

Порядок работы:

git worktree add -b agent-auth ../repo-auth
git worktree add -b agent-docs ../repo-docs
git worktree list

Дальше каждого агента запускают в своём каталоге. Когда задача готова:
1. Проверить diff в ветке и смержить её обычным путём.
2. Удалить рабочую копию: git worktree remove ../repo-auth. Git откажется удалять копию с незакоммиченными правками, это защита.
3. Каталог удалили руками? Тогда git worktree prune уберёт служебные записи.

Важное ограничение из документации: одну ветку нельзя держать сразу в двух worktree без --force. Поэтому каждому агенту нужна своя ветка.

Часть агентов умеет делать это сама. В Claude Code у субагента есть параметр isolation: worktree. Он запускает субагента во временной копии репозитория и удаляет её, если правок не было.

Документация: https://git-scm.com/docs/git-worktree

Сколько агентов вы запускаете параллельно на одном репозитории?

Сайт agents.md сообщает, что формат AGENTS.md используют больше 60 тыс. open-source проектов.

Это обычный Markdown-файл с инструкциями для кодинг-агентов, обязательных полей в нём нет. Формат вырос из практики OpenAI Codex, Amp, Jules, Cursor и Factory. Сейчас его курирует Agentic AI Foundation в составе Linux Foundation. Среди инструментов, которые читают файл, сайт называет Gemini CLI, Aider, Zed, Warp, opencode, Windsurf и ещё около десятка.

Как агент выбирает инструкции:
- В монорепо у каждого пакета может быть свой AGENTS.md, и побеждает ближайший к редактируемому файлу. В основном репозитории OpenAI таких файлов 88.
- Прямой запрос в чате важнее любого файла.
- Команды тестов из файла агент попытается запустить и починить упавшее до конца задачи.

Что стоит туда записать:
1. Команды сборки и тестов дословно, как в CI.
2. Соглашения по коду, которых нет в конфиге линтера.
3. Опасные места вроде миграций и секретов, куда агенту нельзя без вопроса.
4. Ошибку, которую агент повторил дважды. Одна строка в файле обходится дешевле третьего повтора.

Промпт дня:
Изучи репозиторий и CI. Составь AGENTS.md: команды установки, сборки, тестов и линтера в точности как в CI, соглашения по коду, которых нет в конфигах линтера, и места, куда нельзя лезть без вопроса. Не выдумывай команд: для каждой укажи путь к файлу, где она найдена.
Источник: https://agents.md/

Какую команду агенты в вашем репозитории чаще всего запускают неправильно?

Меньше субагентов, лучше агент: Anthropic пересмотрела архитектуру

22 октября Anthropic опубликовала разбор. В нескольких корпоративных внедрениях один агент со скиллами часто обходил по качеству и «один промпт на всё», и схему «оркестратор + субагенты», а нередко выходил ещё дешевле и быстрее. Один клиент получил примерно вдвое более быстрый прогон. Частая причина проблем: архитектура агентов копирует оргструктуру компании (закон Конвея).

Субагенты по-прежнему оправданы, если:
— раздутый контекст измеримо бьёт по качеству;
— нужны параллельные задачи в чистых окнах;
— агент путается в инструментах или противоречивых инструкциях.

✅ Собрать сквозной eval. Для старта хватит 10 эталонных примеров.
✅ Слить субагентов, которые всегда вызываются цепочкой.
✅ Сворачивать остальных по одному в скиллы и MCP-инструменты и смотреть, какие задачи «перевернулись».
✅ Держать не больше 30–50 описаний инструментов: дальше выбор деградирует.

К статье приложен single-agent-loop-kit (Apache-2.0) с демо: роутер и шесть субагентов.

Промпт дня:
```
Найди в репозитории всех субагентов. Для каждого: кто вызывает, какой контекст получает, с кем идёт в цепочке. Вердикт: слить, свернуть в скилл, вызывать как инструмент или оставить. Одна причина на каждый.
```

Источник: https://claude.com/resources/articles/building-agents-when-to-fold-subagents-into-your-main-agent-loop

Сколько субагентов в вашем агенте и какие из них реально нужны?

Из команды Claude Code ушло одно из самых заметных лиц

24 октября Тарик Шихипар (@trq212) написал, что покинул Anthropic. По его словам, больше года он работал над Claude Code, а теперь берёт перерыв перед «чем-то новым». Что именно, не уточняется. В профиле уже стоит «formerly Claude Code».

Пост быстро разошёлся: на утро 25 октября у него больше 4,8 млн просмотров и около 29 тыс. лайков. Для разработчиков такие уходы заметны, потому что многие следят за инструментами через людей, а не через официальные блоги.

Кого сам Тарик советует читать о Claude Code:
— @bcherny, «с которого всё началось»
— @_catwu
— @lydiahallie
— @addyosmani
— @ClaudeDevs

На сам Claude Code уход одного человека напрямую не влияет: продукт ведёт команда, и часть её Тарик перечислил выше.

Источник: https://x.com/trq212/status/2113844051938054167

Новости про агентов вы узнаёте от разработчиков в X или из официальных чейнджлогов?

Открытая 27B-модель обошла GPT-5.5 в работе с компьютером. Модель при этом не меняли

21 октября Simular представила Agent S4. Он сам задачи не решает: это «агент-исследователь», который читает траектории рабочего агента и переписывает интерфейсы, через которые тот управляет компьютером. Модель и обвязка остаются прежними, меняется только репозиторий инструментов.

OSWorld V2, 108 задач, доля полностью решённых:
— Qwen3.8-27B со стандартными интерфейсами: 5,56%
— та же модель с выращенным репозиторием: 21,3% при $1,10 за задачу
— Claude Opus 4.8: 20,6% при $72,4 за задачу
— GPT-5.5: 13,0% при $25,5 за задачу

Оговорка: по частичному выполнению Opus 4.8 всё ещё впереди (54,8% против 46,9%). Мета-агент не видит валидационных задач и учится только на синтетических. Код открыт в репозитории Agent S (Apache-2.0, около 12,7 тыс. звёзд).

Источник: https://www.simular.ai/articles/agent-s4-evolving-the-interfaces-computer-use-agents-work-throughagen
Код: https://github.com/simular-ai/agent-s

Следующий большой рывок агентов даст новая модель или интерфейсы вокруг неё?

Рейтинг кодинг-агентов стал жёстче: средний балл упал с 54,8 до 47,4

Artificial Analysis выпустила Coding Agent Index v2.0. Оценивается не модель, а связка «модель + оболочка» (Claude Code, Codex, Muse Code и другие): 290 задач, три бенчмарка с равным весом.

Главная замена — FrontierCode v1.1 от Cognition вместо DeepSWE. Это 100 задач в реальных open-source репозиториях, и засчитывается только изменение, которое мейнтейнер принял бы в merge.

Топ-3:
1. Claude Code + Opus 5.5 (max) — 61,7
2. Sonnet 5.5 (max) — 59,3
3. Muse Code + Muse Wonder Full (max) — 58,9

Из 21 конфигурации, измеренной в обеих версиях, просели 20. Самое интересное — цена: DeepSeek V4.1 Flash набирает 47,3 при $0,39 за задачу, Opus 5.5 — 61,7 при $11,42. Почти в 30 раз дороже за +14 баллов.

С цифрами v1.5 сравнивать нельзя: методика другая.

Источник: https://aicoder.com/news/news-20261023-artificial-analysis-coding-agent-index-v2-frontiercode

Торвальдс написал патч ядра с Claude Code. Ревьюеры нашли в нём гонку

Линус Торвальдс отправил на ревью серию из 10 патчей для page cache, сделанную вместе с Claude Code. Цель — убрать борьбу потоков за счётчик ссылок folio, когда много потоков мелко читают один файл.

Код, тестовые программы и черновик описания, по словам Торвальдса, написал ИИ-ассистент под его руководством. Замеры он прогонял сам.

Синтетический тест на 64-поточном Threadripper: с 13,3 до 304 млн чтений в секунду, примерно в 23 раза. Торвальдс сразу предупредил, что в реальных нагрузках выигрыш будет заметно меньше.

На ревью Kiryl Shutsemau нашёл гонку в filemap_read_rcu_batch(): в редком сценарии можно прочитать данные, которые никто не записывал. Доработку передали ему, в ядро патчи пока не приняты.

Агент ускоряет написание, но гонки в ядре по-прежнему ловят люди.

Источник: https://thenewstack.io/torvalds-claude-code-kernel/

Codex CLI 0.164: десять слотов под промпты, которые вы пишете каждый день

Во вчерашнем релизе Codex CLI появилась команда /presets. Это десять пронумерованных слотов, куда можно сохранить повторяющийся промпт или слэш-команду и вызывать их из меню с клавиатуры.

Что ещё вошло в 0.164.0:
— модель, уровень reasoning и скорость задаются прямо аргументом /model
— профиль прав выбирается так же, через /permissions
— текущие настройки прав можно сохранить как пресет
— в полноэкранной ленте появились превью картинок (в терминалах с Kitty или Sixel)

Что стоит положить в пресеты первым делом: «прогони тесты и почини падения», «сделай ревью диффа перед коммитом», «обнови README по изменениям». Обычно такие промпты копируют из заметок по десять раз в день.

Источник: https://github.com/openai/codex/releases/tag/rust-v0.164.0