Claude сгенерировал почти весь код за два месяца — и показал, что промпт теперь важнее, чем знание синтаксиса
NewsMakerВсё началось как проверка ИИ — а закончилось новой библиотекой.
Компания Cloudflare опубликовала OAuth 2.1 -библиотеку, почти полностью сгенерированную ИИ-моделью Claude от Anthropic. Проект примечателен не только тем, что был выполнен с участием ИИ, но и тем, как именно велась разработка: каждый коммит содержал не только изменения в коде, но и исходный промпт, с которым инженер обращался к Claude. Это позволило получить подробную хронологию взаимодействия человека и модели — от первых итераций до готовой версии библиотеки.
Разработку вёл инженер @kentonv, изначально настроенный скептически. По его словам, он пытался подтвердить свою недоверчивость к ИИ, но в итоге доказал себе обратное. За два месяца Claude сгенерировал почти весь код библиотеки, предназначенной для использования в продакшене.
Каждый коммит включал не только изменения, но и текст запроса к Claude, позволивший получить соответствующий фрагмент кода. Это превратило git-лог в журнал намерений, а не просто истории изменений. Такая прозрачность особенно важна в случаях, когда модель следует ошибочным предположениям инженера: в таких ситуациях проще анализировать сам промпт, чем разбираться в результатах.
В процессе анализа около 50 коммитов автор отметил несколько характерных паттернов. Во-первых, разработка начиналась с "prompt by example" — то есть промпт включал пример использования библиотеки. Такой подход сразу задавал ясный контекст, включая сигнатуры функций и практическое поведение, чего часто не хватает в абстрактных технических описаниях.
Во-вторых, наиболее эффективными оказались краткие и точные запросы, оформленные в стиле «ты сделал X, но нужно Y, пожалуйста, исправь». Такие формулировки работали лучше, чем сложные инструкции, и напоминали обычные правки в командной работе.
Claude также отлично справлялся с генерацией документации: достаточно было короткого промпта, чтобы получить полноценное описание схемы. Подобные задачи — сильная сторона моделей.
Однако около 20-го коммита начали появляться случаи, где требовалось ручное вмешательство. Модель не справилась с переносом определения класса, и инженер внёс правку отдельно. Позже Claude использовал команды
Примерно с 40-го коммита ручные доработки стали встречаться чаще: инженер правил стиль, удалял неиспользуемые методы и приводил структуру к финальному виду. Подобные задачи остаются слабыми местами ИИ-моделей.
Несмотря на это, в совокупности Claude сгенерировал более 95% кода, включая основную функциональность библиотеки. Каждый отдельный компонент создавался в несколько итераций, с последовательным уточнением и обратной связью. Этот подход — не недостаток, а естественный способ взаимодействия с моделью: «multi-shot prompting» оказался нормой.
Авторы эксперимента подчёркивают, что в таком формате сами промпты становятся не менее важными, чем результат. Если рассматривать их как полноценный исходный код, возникает идея: можно сохранить только последовательность промптов, а при улучшении модели — пересоздать весь проект заново с новыми возможностями. Промпты становятся «генетическим кодом» приложения: читаемыми, воспроизводимыми и самодокументируемыми.
Это требует высокого доверия к модели, способности к точному следованию инструкциям и стабильности генерации. Пока до этого далеко: проект нуждался в тестировании, ручной настройке, стратегическом управлении и ясной инженерной оценке.
Тем не менее, результат показывает, что Claude может взять на себя подавляющее большинство работы — а человек направляет, оценивает, вмешивается при необходимости и задаёт общую траекторию. Программисты всё чаще выполняют роль менеджеров кода, как отмечают исследователи в области разработки . Claude Code был запущен публично всего две недели назад, но уже позволяет реализовать такую форму соавторства.
Компания Cloudflare опубликовала OAuth 2.1 -библиотеку, почти полностью сгенерированную ИИ-моделью Claude от Anthropic. Проект примечателен не только тем, что был выполнен с участием ИИ, но и тем, как именно велась разработка: каждый коммит содержал не только изменения в коде, но и исходный промпт, с которым инженер обращался к Claude. Это позволило получить подробную хронологию взаимодействия человека и модели — от первых итераций до готовой версии библиотеки.
Разработку вёл инженер @kentonv, изначально настроенный скептически. По его словам, он пытался подтвердить свою недоверчивость к ИИ, но в итоге доказал себе обратное. За два месяца Claude сгенерировал почти весь код библиотеки, предназначенной для использования в продакшене.
Каждый коммит включал не только изменения, но и текст запроса к Claude, позволивший получить соответствующий фрагмент кода. Это превратило git-лог в журнал намерений, а не просто истории изменений. Такая прозрачность особенно важна в случаях, когда модель следует ошибочным предположениям инженера: в таких ситуациях проще анализировать сам промпт, чем разбираться в результатах.
В процессе анализа около 50 коммитов автор отметил несколько характерных паттернов. Во-первых, разработка начиналась с "prompt by example" — то есть промпт включал пример использования библиотеки. Такой подход сразу задавал ясный контекст, включая сигнатуры функций и практическое поведение, чего часто не хватает в абстрактных технических описаниях.
Во-вторых, наиболее эффективными оказались краткие и точные запросы, оформленные в стиле «ты сделал X, но нужно Y, пожалуйста, исправь». Такие формулировки работали лучше, чем сложные инструкции, и напоминали обычные правки в командной работе.
Claude также отлично справлялся с генерацией документации: достаточно было короткого промпта, чтобы получить полноценное описание схемы. Подобные задачи — сильная сторона моделей.
Однако около 20-го коммита начали появляться случаи, где требовалось ручное вмешательство. Модель не справилась с переносом определения класса, и инженер внёс правку отдельно. Позже Claude использовал команды
grep и sed, чтобы обойти ограничение на замену повторяющегося кода, но и это оказалось неэффективным. Один из комментариев в истории коммитов: «Я действительно мог бы сделать это быстрее вручную, ну да ладно». Примерно с 40-го коммита ручные доработки стали встречаться чаще: инженер правил стиль, удалял неиспользуемые методы и приводил структуру к финальному виду. Подобные задачи остаются слабыми местами ИИ-моделей.
Несмотря на это, в совокупности Claude сгенерировал более 95% кода, включая основную функциональность библиотеки. Каждый отдельный компонент создавался в несколько итераций, с последовательным уточнением и обратной связью. Этот подход — не недостаток, а естественный способ взаимодействия с моделью: «multi-shot prompting» оказался нормой.
Авторы эксперимента подчёркивают, что в таком формате сами промпты становятся не менее важными, чем результат. Если рассматривать их как полноценный исходный код, возникает идея: можно сохранить только последовательность промптов, а при улучшении модели — пересоздать весь проект заново с новыми возможностями. Промпты становятся «генетическим кодом» приложения: читаемыми, воспроизводимыми и самодокументируемыми.
Это требует высокого доверия к модели, способности к точному следованию инструкциям и стабильности генерации. Пока до этого далеко: проект нуждался в тестировании, ручной настройке, стратегическом управлении и ясной инженерной оценке.
Тем не менее, результат показывает, что Claude может взять на себя подавляющее большинство работы — а человек направляет, оценивает, вмешивается при необходимости и задаёт общую траекторию. Программисты всё чаще выполняют роль менеджеров кода, как отмечают исследователи в области разработки . Claude Code был запущен публично всего две недели назад, но уже позволяет реализовать такую форму соавторства.