Проблема
Один разработчик поставил ИИ-агенту простую задачу: исправить опечатки на вики-сайтах. К концу рабочего дня агент выдал около 3 000 строк Python-кода — самостоятельно реализовав парсер разметки, модуль авторизации, словарь правил. Все три компонента уже существовали как зрелые open source библиотеки.
Два поисковых запроса — и разработчик нашёл всё необходимое. После перехода на готовые инструменты кодовая база сократилась до 1 259 строк. Примерно 1 700 строк были написаны впустую.
Для бизнеса, который использует ИИ-агентов в разработке или автоматизации, это не курьёзный случай — это реальная статья расходов.
Почему агенты изобретают велосипед
Это поведение объясняется особенностями обучения. Большинство бенчмарков по программированию тестируют модели в изолированной среде: без доступа к сети, без возможности установить зависимости. Единственный способ получить высокий балл — написать решение с нуля. В результате модели обучаются именно этому паттерну.
Дополнительный эффект: как только в контексте диалога накапливается большой объём написанного кода, агент начинает воспринимать его как часть решения и сопротивляется удалению. В описанном случае агент активно аргументировал сохранение своего словаря опечаток — даже после того, как была подключена библиотека с 4 000 правил, покрывающая все 18 его записей.
Решение и результат
Проблема решается на уровне постановки задачи. Несколько принципов, которые меняют поведение агента:
Явная инструкция на старте. Добавьте в системный промпт или в начало задачи: «Прежде чем писать код, проверь, существуют ли готовые библиотеки для решения этой задачи». По умолчанию агент этого не делает — ему нужен явный сигнал.
Формулировка цели, а не процесса. «Исправь опечатки на вики-сайтах» даёт агенту свободу искать готовые инструменты. «Напиши скрипт для исправления опечаток» направляет его прямо к написанию кода.
Контрольный вопрос при ревью. После того как агент показывает результат, спросите напрямую: «Есть ли готовые open source инструменты, которые делают то же самое?» Агент часто знает ответ — но не считает нужным его сообщать.
Аудит при росте кодовой базы. Если объём кода растёт быстрее, чем продвигается задача — остановитесь. Попросите агента перечислить компоненты, которые можно заменить готовыми библиотеками.
Результат применения этих принципов в описанном кейсе: сокращение кодовой базы на 58%, устранение самодельных багов и переход на поддерживаемые инструменты — за один вечер.
ИИ-агенты производительны, но оптимизированы под написание кода, а не под решение задач. Понимание этого различия — основа эффективного использования ИИ в рабочих процессах.