Agentic Engineer

За два выходных дня при помощи Claude Code CLI через терминал на телефоне написано 6 000 строк закоммиченного кода (~220К символов). По факту больше - между коммитами много что переделывается, рефакторится и выбрасывается. Протестировано 34 гипотезы.

Совершенно разные области экспертизы (Data engineering, Quantitative research, Trading infrastructure).

Claude оценивает это в 7-11 рабочих дней синьор разработчика. Зная себя, потратил бы точно больше.

Не могу привести пруфов, что весь код полезный и продуктивный - очевидно, можно и миллион строк за час наслопить. Но в рамках моей песочницы всё это реально важно и ценно.

* * *

Если в лоб поделить 7 на 3, может показаться, что агенты ускоряют работу в два раза. Просто смешно. Моих когнитивных ресурсов хватило бы максимум на 10% подобной работы. А если учесть, что Я не в каждые выходные могу фул потратить на разработку, то и все 5%.

* * *

К чему Я веду: личный сервер, подписка на проагента, чуть заморочиться с CLI и вот вы уже машина по переработке ваших бредовых идей в выводы почему они бредовые.

Dial-up 2.0, или гоним трафик в обход белых списков через звонки в ВК

Пока железки в пути, решил заняться насущным вопросом, который в последнее время что-то обострился.

VK-звонки работают через WebRTC с Selective Forwarding Unit, который пробрасывает SCTP DataChannel между участниками, не заглядывая внутрь. Помимо своего animoji-канала (id:1) VK туда ничего больше не кладёт, поэтому можно создать рядом свой DataChannel (id:2) и использовать его как двунаправленный пайп для произвольных данных. Весь трафик при этом идёт через TURN-серверы VK, которые находятся в белых списках - для DPI это выглядит как обычный звонок.

На стороне Creator'а (тот, у кого есть доступ в интернет) запускается Go relay и hook.js сниппет в браузере. Сниппет хукает RTCPeerConnection, перехватывает ICE-конфигурацию прямо из конструктора, после чего создаётся туннельный DataChannel и бриджится с локальным WebSocket'ом, через который relay раздаёт трафик наружу.

На стороне Joiner'а (тот, кто в зоне белых списков) всё чуть интереснее. Приложение открывает VK-звонок в WebView, поднимает VpnService, который перехватывает весь IP-трафик устройства, прогоняет его через tun2socks, дальше в SOCKS5 прокси на Go, и уже оттуда через WebSocket в тот же DataChannel. Go-часть собирается через gomobile в .aar и линкуется прямо в APK, поэтому можно обойтись без рута/termux.
На speed test получилось добиться 9.57 Мбит/с на скачивание, 4.15 Мбит/с на загрузку с задержкой 14 мс до Брюсселя с мобильной сети.

Есть моменты, которые можно улучшить и автоматизировать, но в целом пока пойдет.

Код/билды здесь [тык]

OpenAI покупают Astral

Это создатели Ruff, uv и ty – питонистам эти тулзы точно известны. OpenAI планирует интегрировать инструменты Astral в свою экосистему, в частности – в Codex.

Поддержка опенсорс проектов Astral после приобретения продолжится, а команда компании присоединится к подразделению Codex в OpenAI.

А теперь внимание на последний коммит в репозитории uv ⬆️

7️⃣ Маленький, но важный нюанс

Для постоянных правил лучше не пихать всё в prompt, а выносить в AGENTS.md:
🔘глобально в ~/.codex/AGENTS.md
🔘на уровне репозитория в AGENTS.md
🔘для локальных переопределений — в AGENTS.override.md

Codex читает эти инструкции до начала работы, причем более локальные файлы имеют приоритет. Это помогает держать subagents предсказуемыми от сессии к сессии.

⚡️ Итог:

subagents в Codex — это не просто "несколько чатов одновременно", а конфигурируемая multi-agent система, где можно разнести роли, модели, sandbox, MCP и инструкции по отдельным агентам. Если настроить это нормально, Codex начинает работать не как один AI-помощник, а как маленькая инженерная команда.

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

6️⃣ Пример для frontend/debug сценария

Кейс — разнести UI-проблему на 3 роли:

🔘code_mapper

# .codex/agents/code-mapper.toml
name = "code_mapper"
description = "Read-only codebase explorer for locating the relevant frontend and backend code paths."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"

developer_instructions = """
Map the code that owns the failing UI flow.
Identify entry points, state transitions, and likely files before the worker starts editing.
"""

🔘browser_debugger

# .codex/agents/browser-debugger.toml
name = "browser_debugger"
description = "UI debugger that uses browser tooling to reproduce issues and capture evidence."
model = "gpt-5.4"
model_reasoning_effort = "high"
sandbox_mode = "workspace-write"

developer_instructions = """
Reproduce the issue in the browser, capture exact steps, and report what the UI actually does.
Use browser tooling for screenshots, console output, and network evidence.
Do not edit application code.
"""

[mcp_servers.chrome_devtools]
url = "http://localhost:3000/mcp"
startup_timeout_sec = 20

🔘ui_fixer

# .codex/agents/ui-fixer.toml
name = "ui_fixer"
description = "Implementation-focused agent for small, targeted fixes after the issue is understood."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"

developer_instructions = """
Own the fix once the issue is reproduced.
Make the smallest defensible change, keep unrelated files untouched, and validate only the behavior you changed.
"""

И prompt под это:

Investigate why the settings modal fails to save.
Have browser_debugger reproduce it,
code_mapper trace the responsible code path,
and ui_fixer implement the smallest fix once the failure mode is clear.

Это уже почти готовый production-паттерн: один агент воспроизводит баг, второй мапит код, третий чинит точечно.

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

5️⃣ Как это запускать

Пример промпта для multi-agent review:

Review this branch against main.
Have pr_explorer map the affected code paths,
reviewer find real risks,
and docs_researcher verify the framework APIs that the patch relies on.

Codex сам поднимет нужных субагентов, дождется их результатов и соберет сводку. При этом новый subagent появляется, когда ты явно просишь его создать, а активные agent threads можно смотреть и переключать через /agent в CLI. Субагенты также наследуют текущую sandbox policy.

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

4️⃣ Агент для документации или внешних API

Можно подключить MCP-сервер прямо в агенте:

# .codex/agents/docs-researcher.toml
name = "docs_researcher"
description = "Documentation specialist that uses the docs MCP server to verify APIs and framework behavior."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"

developer_instructions = """
Use the docs MCP server to confirm APIs, options, and version-specific behavior.
Return concise answers with links or exact references when available.
Do not make code changes.
"""

[mcp_servers.openaiDeveloperDocs]
url = "https://developers.openai.com/mcp"

Такой агент не пишет код, а проверяет, как реально устроен API или фреймворк, чтобы основной агент не галлюцинировал в спорных местах.

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

3️⃣ Добавляем отдельного ревьюера

# .codex/agents/reviewer.toml
name = "reviewer"
description = "PR reviewer focused on correctness, security, and missing tests."
model = "gpt-5.4"
model_reasoning_effort = "high"
sandbox_mode = "read-only"

developer_instructions = """
Review code like an owner.
Prioritize correctness, security, behavior regressions, and missing test coverage.
Lead with concrete findings, include reproduction steps when possible, and avoid style-only comments unless they hide a real bug.
"""

Смысл в том, что субагент должен быть узкоспециализированным и работать по чётким правилам: не универсальный помощник, а конкретная роль с понятной зоной ответственности. Именно такой подход рекомендуют в документации.

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

2️⃣ Создаём собственных субагентов

Каждый custom agent — это отдельный .toml файл в .codex/agents/.

Обязательные поля:
name, description, developer_instructions.

Опционально можно задавать model, model_reasoning_effort, sandbox_mode, mcp_servers, skills.config и nickname_candidates. Если их не указывать, они наследуются от родительской сессии.

Пример агента-исследователя:

# .codex/agents/pr-explorer.toml
name = "pr_explorer"
description = "Read-only codebase explorer for gathering evidence before changes are proposed."
model = "gpt-5.3-codex-spark"
model_reasoning_effort = "medium"
sandbox_mode = "read-only"

developer_instructions = """
Stay in exploration mode.
Trace the real execution path, cite files and symbols, and avoid proposing fixes unless the parent agent asks for them.
Prefer fast search and targeted file reads over broad scans.
"""

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

1️⃣ Включаем лимиты для агентов

В проекте нужно добавить .codex/config.toml:

[agents]
max_threads = 6
max_depth = 1

🟢max_threads — сколько agent threads можно держать открытыми одновременно, по дефолту - 6

🟢max_depth — глубина вложенности спауна; по умолчанию 1, то есть дочерний агент может появиться, но более глубокая рекурсия уже режется

🔜 Как настроить subagents в Codex

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

Как настроить subagents в Codex ⏩ гайд с примерами

Если коротко: теперь в Codex можно не просто "попросить агента подумать", а собрать мини-команду из специализированных субагентов под разные роли: ревью, исследование кода, дебаг UI, проверка доки и т.д. Codex сам оркестрирует их работу, ждет результаты и возвращает сводный ответ. Для этого есть и встроенные subagent workflows, и свои custom agents.

Базовая идея такая:
▶️ основной агент держит в голове задачу целиком
▶️ subagents забирают узкие подзадачи
▶️ промежуточный шум не засоряет главный контекст
▶️ итог собирается в один ответ.

Это особенно полезно для code review, triage, codebase exploration и сложных multi-step задач.

Ниже в серии постов расскажу:

1️⃣ Включаем лимиты для агентов

2️⃣ Создаём собственных субагентов

3️⃣ Добавляем отдельного ревьюера

4️⃣ Агент для документации или внешних API

5️⃣ Как это запускать

6️⃣ Пример для frontend/debug сценария

7️⃣ Маленький, но важный нюанс

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

🤖 В Codex появились subagents

Теперь можно запускать специализированных AI-агентов для отдельных задач прямо внутри Codex.

Что это тебе даёт:
🔘Чистый основной контекст - главный агент фокусируется на требованиях и итогах
🔘Параллельная работа - можно запустить несколько агентов на разные части задачи
🔘Контроль процесса - управлять агентами, останавливать или перенаправлять их в процессе

Как это работает:

Codex может создавать суб-агентов и распределять между ними работу. Каждый агент выполняет свой кусок задачи и возвращает результат, после чего Codex собирает итоговый ответ.

Например, можно запустить отдельных агенты для:
🔘 поиска багов
🔘 проверки безопасности
🔘 анализа качества кода
🔘 поиска race conditions
🔘 проверки flaky тестов

После завершения Codex объединит результаты и сделает общий вывод.

Под капотом это полноценный multi-agent workflow, где главный агент управляет дочерними и агрегирует их результаты.

Фактически это превращает AI-ассистента в маленькую команду разработчиков, где каждый агент отвечает за свою специализацию.

Уже доступно в Codex app и Codex CLI 🤖

@data_engi

#agents #subagents #ai #llm #openai #codex #dev

8️⃣ Как будет выглядеть будущее разработки

Видение автора:
🟢в репозитории одновременно работают десятки агентов
🟢они автоматически:
🔘исправляют баги
🔘обновляют код
🔘пишут тесты
🔘делают refactor
🟢разработчик утром просто просматривает готовые PR (но ты понимаешь, что и его/тебя в итоге заменят на агента)

Self-Driving Codebase 🧐

@data_engi

7️⃣ Ограничения и риски

Статья также отмечает проблемы:
🟣ошибки в коде
🟣проблемы с пониманием архитектуры
🟣необходимость ревью
🟣безопасность

Поэтому human-in-the-loop (HITL) остаётся важным.

Self-Driving Codebase 🧐

@data_engi

6️⃣ Почему это становится возможным сейчас

Несколько факторов:
🔘LLM стали сильнее
🔘контекстные окна выросли
🔘появились sandbox environments
🔘появились agent frameworks

В итоге агенты могут:
🔵читать весь репозиторий
🔵запускать тесты
🔵редактировать код
🔵делать итерации.

Self-Driving Codebase 🧐

@data_engi

5️⃣ Новая модель разработки

Автор описывает переход к модели:
Developers 🔜 managers of agents

Инженеры:
🔘формулируют задачи
🔘контролируют результат
🔘проверяют PR

А агенты:
🟢делают большую часть работы.

Self-Driving Codebase 🧐

@data_engi