ИИ-ассистенты разработчика в 2025 году: переломный момент в истории разработки программного обеспечения

2025 год стал периодом становления и масштабирования разработки программного обеспечения с использованием ИИ‑ассистентов. Всё более широкие слои разработчиков, аналитиков‑исследователей и DevOps‑инженеров вовлекаются в трансформацию повседневной рабочей деятельности. Мотивацией для написания этой статьи послужила личная трансформация авторского подхода к разработке за полгода активного использования среды Cursor при создании моделей, сервисов и MLOps‑процессов. С профессиональной точки зрения это наиболее значимое изменение в разработке за последние годы. Автор надеется, что эта публикация будет способствовать более активному внедрению ИИ‑ассистентов в разработку при сохранении глубокого понимания и контроля над создаваемым кодом.

Автор термина «вайб-кодинг» Андрей Карпатый характеризует 2025 год как период, когда большие языковые модели (LLM) преодолели порог возможностей, необходимый для создания сложных программных продуктов посредством формулирования требований на естественном языке, фактически абстрагируясь от необходимости непосредственного написания кода [1]. К 2025 году ИИ-ассистенты разработчика эволюционировали от систем «интеллектуального автодополнения» до полноценных агентных систем, способных автономно выполнять значимые функциональные блоки в кодовых базах и CI/CD-конвейерах.

Релиз Cursor 0.50 в мае 2025 года ознаменовал «агентную революцию»: появились фоновые агенты (Background Agents), выполняющие задачи в асинхронном режиме, и поддержка multi-root-workspace, позволяющая агентам работать одновременно с несколькими репозиториями.

В июне 2025 года версия 1.0 получила инструмент BugBot — автоматический рецензент pull request'ов с возможностью перехода к проблемному участку кода по команде «Fix in Cursor», а также механизм Memories, сохраняющий информацию о проекте и стилевых соглашениях для последующих сессий [2].

К концу 2025 года была представлена линейка Cursor 2.0/2.2, в рамках которой компания разработала собственную кодовую модель Composer (специализированную для генерации кода, демонстрирующую четырёхкратный прирост скорости при сопоставимом уровне качества [3]) и сместила акцент на параллельные multi-agent workflow. Cursor 2.0 обеспечил возможность запуска до восьми агентов параллельно в рамках одного запроса, причём каждый агент работал в изолированной копии репозитория (через git-worktree или удалённые машины), а результаты интегрировались в единый агрегированный diff.

Второй ключевой игрок рынка — Claude Code — в 2025 году развивался сопоставимыми темпами, обладая при этом уникальными особенностями. В феврале 2025 года Claude Code представлял собой преимущественно терминальный инструмент, способный анализировать структуру репозитория, редактировать файлы, выполнять команды и взаимодействовать с GitHub Actions для автоматизации типовых задач. Ключевой концепцией являлся «agentic search»: вместо классического индексирования кода Claude Code динамически использовал утилиты grep, find и glob и системные инструменты, имитируя действия разработчика, что устраняло необходимость в сложной RAG-инфраструктуре [4].

К середине 2025 года Claude Code получил «automation layer»: систему хуков четырёх типов, автоматически активируемых до и после использования инструментов, а также при отправке уведомлений.

В июле появились субагенты — специализированные экземпляры Claude с собственными промптами, набором инструментов и контекстом (например, агент-рецензент с доступом только для чтения, фронтенд-специалист, backend-архитектор). Их можно было запускать параллельно через изолированные git-worktree, что позволило организовать работу команды виртуальных специалистов над различными компонентами задачи без конфликтов [5].

Осенью 2025 года были добавлены Plan Mode (обязательное построение плана перед генерацией кода), Skills (загружаемые пакеты знаний и практик) и Plugins (упакованные конфигурации агентов, хуков, команд и MCP-интеграций). Plan Mode минимизирует риск отклонения агента от поставленных задач, вынося план реализации на предварительное обсуждение; Skills позволяют кодифицировать командные стандарты, а плагины существенно упрощают тиражирование конфигурации Claude Code в рамках команды.

В сентябре 2025 года был представлен Claude Code SDK, позволяющий запускать Claude Code в headless-режиме и использовать его агентный цикл (think–act–observe) как основу для создания собственных агентов, способных читать и записывать файлы, выполнять shell-команды, вызывать веб-API и работать с Git [5].

К декабрю агенты стали полностью асинхронными и способными к координации между собой, а система контекста включала в себя глубокую интеграцию с LSP, файлом CLAUDE.md и skills [4].

Примечательно, что руководитель проекта Claude Code Борис Черни в интервью описывает собственный рабочий процесс как полную ИИ-генерацию кода с человеческой проверкой: он ежедневно отправляет 10–30 pull request'ов, все изменения в которых сгенерированы Claude Code, тогда как сам фокусируется на постановке задач, проверке и интеграции [6].

Установка Cursor и организация доступа

Cursor доступен для всех основных платформ, его можно бесплатно загрузить с официального сайта. Для доступа к агентному режиму и различным языковым моделям необходимо оформить подписку, стоимость и функциональные возможности которой варьируются в зависимости от целей и объёма работ, возлагаемых на ассистента. Рекомендую начать с тарифного плана Pro Plan стоимостью $20 в месяц, который автор использовал в первые месяцы активного применения ассистента. По мере освоения функциональности агента и увеличения объёма задач целесообразен переход на тариф Pro+ Plan стоимостью $60 в месяц. Также доступен демонстрационный freemium-режим для ознакомления с возможностями Cursor на начальном этапе.

Ввиду санкционных ограничений для оплаты требуется карта иностранного банка. На российском рынке возможно использование услуг посредников, покупающих подписки для аккаунта.

Интегрированная среда разработки: основные функции

После установки пользователю предоставляется интерфейс IDE, визуально и функционально напоминающий Visual Studio Code (что обусловлено происхождением проекта как форка open source-репозитория VS Code). С правой стороны располагается окно ассистента, обеспечивающее взаимодействие в режиме диалога.

В раскрывающемся списке в нижней левой части интерфейса доступны режимы работы ассистента: Plan, Debug, Ask и Agent. В списке справа можно выбрать модели для генерации кода, включая модели западных компаний: OpenAI, Anthropic, xAI, Google. Среди китайских моделей представлена Kimi от MoonshotAI. Также доступно семейство собственных моделей Composer.

Режим Auto автоматически подбирает наиболее подходящую языковую модель для конкретной задачи, балансируя между производительностью, скоростью и стоимостью.

Режим Plan предназначен для создания детального плана реализации до написания кода, что позволяет предотвратить множество проблем на последующих этапах разработки. В этом режиме система инициирует итеративный диалог между разработчиком и ИИ для глубокого понимания и формализации требований проекта. В отличие от прямого запроса на выполнение задачи, который часто приводит к непредвиденным результатам и необходимости множественных корректировок, режим Plan обеспечивает формулирование уточняющих вопросов перед выполнением действий.

Режим Agent предназначен для автономного выполнения сложных многокомпонентных задач без дальнейшего вмешательства человека после утверждения плана в режиме Plan. В этом режиме система способна модифицировать несколько файлов, обновлять зависимости, интегрироваться с внешними сервисами и управлять тестированием, что существенно ускоряет цикл разработки. Режим Agent оптимально использовать для постоянного мониторинга деятельности через Agent Window. Этот интерфейс позволяет разработчику наблюдать за изменениями, вносимыми агентом в кодовую базу в реальном времени, в виде сравнительного представления (diff). Для управления крупными кодовыми базами Cursor поддерживает Max Mode с контекстными окнами до 1 миллиона токенов, что обеспечивает комплексное понимание структуры проекта.

Режим Debug предлагает систематизированный и целенаправленный подход к диагностике и устранению логических ошибок в коде, что принципиально отличается от хаотичного исправления кода («random patching»). Цель — выявление первопричины проблемы, а не применение временных решений. Режим отладки функционирует по принципу гипотетико-ориентированного цикла: гипотеза → журналирование → выявление корневой причины → целевое исправление. Оптимальной практикой является применение режима для сложных, труднодиагностируемых проблем, при которых традиционные методы отладки оказываются неэффективными. На каждом этапе система формулирует гипотезы, внедряет необходимое журналирование для их верификации, анализирует результаты и корректирует план действий до выявления истинной причины проблемы.

Режим Ask предназначен для получения информации без необходимости внесения изменений в код. Его основная функция — облегчение обучения и углублённого понимания существующих систем, что делает режим незаменимым инструментом как для новых членов команды, так и для опытных разработчиков, работающих с чужими кодовыми базами или изучающих новые технологии. Использование режима Ask способствует профессиональному развитию, поскольку разработчик обучается на примерах из реального проекта, а не на абстрактных учебных материалах.

Для эффективного использования Cursor в сложных проектах недостаточно применения базовых режимов. Необходимо создать адаптивную среду, «обучающую» ИИ-ассистента специфике конкретного проекта, команды и технологического стека. Для этого используются расширенные функции Cursor: rules, skills, subagents, hooks и MCP. Эти функции выходят за рамки настоящей статьи, однако при наличии интереса со стороны читателей автор готов подготовить подробное руководство с примерами их применения. Дополнительная информация доступна в официальной документации Cursor [6].

Пример реализации проекта графа знаний Москвы

Автором был инициирован социально значимый некоммерческий проект по созданию графа знаний Москвы, который, начиная с географической и исторической информации, должен постепенно расширяться новыми предметными областями и связями. Присоединиться к развитию проекта возможно через репозиторий на GitHub и страницу проекта на ods.ai. Сервис решает фундаментальную проблему: современные картографические сервисы и Википедия предоставляют фрагментированную информацию, но не демонстрируют связей между прошлым и настоящим. Граф знаний создаёт принципиально новый опыт поиска исторической информации.

Разработку проекта начал с формирования исходного промпта в режиме Plan:

Создай детальный план реализации проекта графа знаний по Москве, включающего разнообразную информацию о городе: историю, дорожную сеть, адреса, организации и прочие данные. Данные будут храниться в графовой базе данных Neo4j. Пользователь будет взаимодействовать с базой данных двумя способами: 1. Путем написания Cypher-запроса для извлечения необходимых данных. 2. Путем формулирования вопроса ассистенту на естественном языке, который как AI-агент сгенерирует соответствующий Cypher-запрос и обратится к базе данных как к инструменту. План разработки проекта: 1. Проектирование онтологии графа: определение сущностей, связей и атрибутов. 2. Написание скриптов для сбора данных из открытых источников и подготовки данных для загрузки в базу данных Neo4j. 3. Настройка инфраструктуры Neo4j в Docker с учетом использования APOC-библиотеки. 4. Разработка кода AI-агента для генерации Cypher-запросов по запросу пользователя на естественном языке. Реализация подключения AI-агента к базе данных Neo4j как к инструменту. 5. Разработка backend на FastAPI с основными методами: загрузка данных в базу данных, выполнение Cypher-запроса к базе данных, взаимодействие с AI-агентом.

В ответ Cursor сгенерировал детальный план, описывающий архитектуру решения и этапы разработки, включающие в себя: разработку антологии графа, сбор и подготовку данных, создание инфраструктуры Neo4j в Docker, разработку ИИ-агента для генерации Cypher-запросов к графу знаний, а также структуру бэкенда на FastAPI.

После перехода в режим Agent Mode начала последовательно реализовывать проект. В качестве первого источника географических данных выбрал этот сервис, из которого получил названия улиц и адреса домов. После создания ETL-процесса с данным источником и тестового запуска возникла проблема тайм-аута при операции чтения. Передал журнал ошибки ассистенту для анализа. Ассистент предложил несколько способов решения: первоначальную загрузку отдельно улиц, затем домов; замену endpoints. Второй подход оказался успешным, и данные начали загружаться в базу данных. Дополнительно ассистент предложил рекомендации по улучшению приложения с учётом выявленной проблемы:

Естественно, при реализации агентом могут возникать проблемы, и их количество зависит от качества постановки задачи и её сложности. Для сложных случаев целесообразно применение специального режима Debug, описанного выше.

В рассматриваемом примере это была единственная проблема, и сервис после загрузки данных в базу функционировал корректно: принимал запросы на естественном языке по графу знаний и предоставлял корректные ответы. В качестве LLM использовал модель GigaChat 2 Max через API.

Пример запроса:

curl -sS -X POST "http://localhost:8000/api/query/nl" \ -H "Content-Type: application/json" \ -d '{"question": "Сколько улиц в базе данных?"}'

Ответ:

Найдено записей: 1. 1) streetCount: 1338

Современный уровень качества генерации кода позволяет создавать крупные высоконагруженные сервисы с базами данных, фронтендом, бэкендом и моделями без детального чтения кода и с минимальной отладкой, которая зачастую сводится к передаче журналов ошибок при тестировании.

Российские аналоги ИИ-ассистентов разработчика

На российском рынке присутствуют отечественные продукты со схожей функциональность. Например, GigaCode можно установить как часть IDE GigaIDE, а также импортировать как плагин в VS Code и JetBrains IDE. В последнее время добавили агентский режим.

Yandex SourceCraft Code Assistant — продукт от Яндекса, в котором тоже появился агентский режим.

Для российских компаний использование GigaCode и SourceCraft безопаснее с точки зрения:

• локализации данных;

• соответствия регуляторным требованиям;

• отсутствия геополитических рисков;

• защиты интеллектуальной собственности.

Это особенно актуально для компаний из государственного и финансового сектора, предприятий с повышенными требованиями к безопасности данных.

Будущее разработки программного обеспечения

В заключение целесообразно рассмотреть перспективы развития разработки программного обеспечения с учётом описанных глобальных изменений.

Майкл Трюэлл (Michael Truell), сооснователь и CEO компании Anysphere (разработчик Cursor), прогнозирует переход к более высокоуровневому способу создания программного обеспечения, при котором разработчик описывает намерения, а система реализует детали. Трюэлл ожидает, что в течение 5–10 лет удастся «изобрести новый способ построения программ», который будет значительно продуктивнее и потребует от разработчиков меньше низкоуровневого редактирования миллионов строк кода. Роль человека смещается в сторону постановки задач, проектирования архитектуры и проверки логики, тогда как ИИ всё больше берёт на себя реализацию и рутинные операции. Такой подход предполагает трансформацию профессии, но не мгновенное вытеснение разработчиков [7].

Позиция Бориса Черни, создателя и руководителя Claude Code, существенно радикальнее в плане влияния ИИ-кодинга на профессию разработчика. В одном из интервью он утверждает, что к концу 2026 года «каждый станет в каком-то смысле продукт-менеджером, и каждый будет писать код», а традиционная роль разработчика сузится до постановки задач и надзора за агентами [8].

В 2025 году на конференции, посвящённой LLM и разработке, Сатья Наделла отметил, что уже порядка 20–30 % кода в некоторых внутренних репозиториях Microsoft пишется ИИ-системами, и доля такого кода стабильно растёт [9]. В той же дискуссии Марк Цукерберг предположил, что уже в 2025 году примерно половина разработки в крупных компаниях может выполняться ИИ-системами, функционирующими на уровне «мидл-инженера».

Президент Microsoft Брэд Смит в интервью 2026 года подчёркивает, что цель ИИ — не заменить разработчиков, а «поднять профессию на новый уровень» с помощью автоматизации рутинных операций: генерации повторяющегося кода, типовых паттернов и части процессов отладки. Смит отмечает, что в истории технологические скачки производительности часто приводили к росту количества квалифицированных рабочих мест и уровня доходов, а не к их исчезновению, и ожидает аналогичную динамику для software engineering при условии, что разработчики сместят фокус в сторону планирования продуктов, управления проектами и улучшения безопасности [10].

Список литературы

1. Karpathy A. Year in Review 2025 [Электронный ресурс]. URL: https://karpathy.bearblog.dev/year-in-review-2025/ (дата обращения: 10.03.2026).

2. Cursor Changelog: What's coming next in 2026? [Электронный ресурс]. URL: https://cursor.com/blog (дата обращения: 10.03.2026).

3. Cursor 2.0 Ultimate Guide 2025: AI-Powered Code Editing & Workflow [Электронный ресурс]. URL: https://cursor.com/guide (дата обращения: 10.03.2026).

4. Claude Code in 2025: From AI Assistant to Personal Software Factory [Электронный ресурс]. URL: https://claude.ai/code (дата обращения: 10.03.2026).

5. Patterns And Use Cases To Build Agents with Claude Code SDK [Электронный ресурс]. URL: https://claude.ai/code/sdk (дата обращения: 10.03.2026).

6. Cursor Documentation [Электронный ресурс]. URL: https://cursor.com/docs (дата обращения: 10.03.2026).

7. Michael Truell and Cursor: Leading the Fastest-Growing SaaS Revolution in Coding [Электронный ресурс]. URL: https://www.educationnext.in/posts/michael-truell-and-cursor-leading-the-fastest-growing-saas-revolution-in-coding (дата обращения: 10.03.2026).

8. Head of Claude Code Boris Cherny on What Happens After Coding Is Solved. Lenny's Podcast [Электронный ресурс]. URL: https://www.lennyspodcast.com (дата обращения: 10.03.2026).

9. Developers will need to adapt [Электронный ресурс]. URL: https://www.itpro.com/software/development/developers-will-need-to-adapt-microsoft-ceo-satya-nadella-joins-googles-sundar-pichai-in-revealing-the-scale-of-ai-generated-code-at-the-tech-giants-and-its-a-stark-warning-for-software-developers (дата обращения: 10.03.2026).

10. After Microsoft cut 10,000-plus jobs in 2025 to get ready for AI era [Электронный ресурс]. URL: https://timesofindia.indiatimes.com/technology/tech-news/after-microsoft-cut-10000-plus-jobs-in-2025-to-get-ready-for-ai-era-president-brad-smith-says-ai-wont-replace-engineers-will-/amp_articleshow/128749177.cms (дата обращения: 10.03.2026).