Разбор исследования Zhenfeng Cao «Agentic Software: How AI Agents Are Restructuring the Software Paradigm»
Введение
В последние годы искусственный интеллект постепенно перестаёт быть просто инструментом, помогающим программисту писать код. AI-агенты уже способны анализировать программные проекты, планировать изменения, использовать инструменты, выполнять команды, тестировать решения и исправлять обнаруженные ошибки.
Это поднимает более фундаментальный вопрос: меняется ли сама модель разработки программного обеспечения?
В исследовательской работе Agentic Software: How AI Agents Are Restructuring the Software Paradigm автор Zhenfeng Cao рассматривает возможный переход от традиционной Software Engineering к новой дисциплине — Agentic Engineering.
Главный тезис работы заключается не в том, что программирование умирает. Автор предлагает другую перспективу: центр инженерной деятельности постепенно перемещается от написания исходного кода к проектированию, управлению и контролю автономных агентных систем.
Это принципиальное различие. Речь идёт не просто об ускорении разработки с помощью AI, а о возможном изменении того, как создаётся программное обеспечение, кто выполняет инженерную работу и за что отвечает человек.
1. Три поколения программного обеспечения
Автор предлагает рассматривать развитие программного обеспечения через три последовательных поколения.
Software 1.0 — локальное программное обеспечение
В традиционной модели разработчик заранее описывает логику системы, программирует правила поведения и определяет способы обработки данных.
Пользователь устанавливает программу и взаимодействует с её заранее реализованными возможностями. Разработка, инфраструктура и поддержка во многом находятся в зоне ответственности создателей программного продукта или его владельца.
Основной продукт этой модели — программный код и реализованная на его основе система.
Software 2.0 — Software as a Service (SaaS)
Следующий этап — переход к облачным программным продуктам.
Инфраструктура, обслуживание и обновление системы переходят к поставщику. Пользователь получает доступ к готовому сервису через интернет и работает с его функциональностью, не управляя внутренней реализацией.
Программное обеспечение становится услугой, доступной по подписке или через облачную платформу.
Software 3.0 — Agent as a Service (AaaS)
Третий этап, который рассматривает автор, связан с появлением автономных AI-агентов.
Пользователь формулирует задачу и ожидаемый результат. Агент самостоятельно планирует выполнение, выбирает инструменты, выполняет действия, при необходимости пишет код и проверяет полученный результат.
В этой модели пользователь взаимодействует уже не столько с заранее заданной функциональностью, сколько с системой, способной выполнять поставленные задачи.
Таким образом, меняется сам объект разработки: вместо программы с фиксированной логикой появляется агентная система, способная динамически организовывать выполнение задач.
2. От Software Engineering к Agentic Engineering
Одно из центральных положений исследования — изменение роли человека в процессе разработки.
В традиционной Software Engineering человек непосредственно управляет большинством инженерных операций: анализирует требования, проектирует архитектуру, пишет код, проводит тестирование и исправляет ошибки.
В Agentic Engineering значительная часть этих операций может передаваться специализированным агентам.
| Традиционная Software Engineering | Agentic Engineering |
|---|---|
| Исходный код — основной продукт | Агентная система — основной объект проектирования |
| Человек управляет процессом выполнения | AI-агенты выполняют и координируют операции |
| Логика преимущественно задаётся заранее | Часть логики формируется во время выполнения |
| Разработка организована вокруг последовательных инженерных операций | Работа строится вокруг автономных и итерационных циклов |
| Человек непосредственно пишет и изменяет код | Человек формулирует намерения и контролирует реализацию |
| Результат — работающая программа | Результат — выполнение поставленной задачи |
| Рефакторинг выполняется разработчиками | Агенты могут участвовать в анализе и изменении собственной системы |
Это не означает, что все перечисленные различия уже стали реальностью. Таблица отражает концептуальное противопоставление двух моделей, предложенное автором.
Особенно важно, что Agentic Engineering не устраняет необходимость в инженерных знаниях. Она меняет способ их применения.
Разработчик должен понимать, как устроена система, но всё чаще его задача заключается не в том, чтобы самостоятельно реализовать каждую функцию, а в том, чтобы правильно организовать работу агентов и проверить результат.
3. Новая роль человека: четыре ключевые компетенции
В разделе 4.3 автор выделяет четыре направления, которые становятся особенно важными для человека, работающего с автономными агентами.
3.1. Intent Articulation — формулирование намерений
Человек должен уметь точно описывать цели, требования, ограничения и ожидаемые результаты.
Недостаточно просто попросить агента создать приложение или исправить ошибку. Необходимо определить:
- какую бизнес-задачу требуется решить;
- какие функции должны быть реализованы;
- какие ограничения существуют;
- какие сценарии необходимо поддержать;
- по каким критериям будет приниматься результат.
Качество постановки задачи становится одним из ключевых факторов успешного выполнения работы агентами.
3.2. Architectural Oversight — архитектурное управление
Человек отвечает за архитектурную целостность системы и взаимодействие её компонентов.
Это включает:
- проектирование взаимодействия агентов;
- определение ролей и ответственности;
- управление общей памятью и контекстом;
- контроль инструментов и интеграций;
- оценку архитектурных решений;
- предотвращение конфликтов между параллельными изменениями.
Чем больше автономии получают агенты, тем важнее становится наличие общей архитектуры и правил взаимодействия.
3.3. Quality Calibration — калибровка качества
Агент может сообщить об успешном выполнении задачи, но это ещё не означает, что результат действительно соответствует требованиям.
Поэтому необходимо проектировать систему проверки:
- автоматизированные тесты;
- критерии приёмки;
- статический анализ;
- проверку безопасности;
- контроль регрессий;
- независимую оценку изменений.
Человек определяет, что именно считается качественным результатом, и формирует механизмы, позволяющие это проверить.
3.4. Ethical Governance — управление ответственностью и ограничениями
Автономные агенты должны работать в рамках установленных правил.
Необходимо контролировать соответствие их действий требованиям бизнеса, законодательства и этики, а также определять допустимые полномочия и ограничения.
Это особенно важно при работе с персональными данными, финансовыми операциями, критической инфраструктурой и другими чувствительными процессами.
В результате роль разработчика постепенно расширяется: он становится архитектором, координатором и аудитором агентных систем.
4. Главная проблема: современные агенты пока ненадёжны на длинной дистанции
Одна из наиболее важных частей исследования посвящена ограничениям современных AI-агентов.
В разделе 5.2 автор рассматривает результаты исследования EvoClaw, посвящённого способности агентов поддерживать и развивать программные проекты в течение длительного времени.
В статье приводятся следующие показатели:
| Тип задачи | Успешность |
|---|---|
| Изолированные задачи | Более 80% |
| Непрерывное развитие проекта | Не более 38% |
Автор указывает на существенное снижение успешности — более чем на 54 процентных пункта.
В описании эксперимента упоминаются 12 передовых моделей и 4 агентных фреймворка.
Эти результаты важны не только сами по себе. Они демонстрируют фундаментальную разницу между выполнением отдельной задачи и долгосрочной работой над сложной программной системой.
Автор выделяет четыре основные проблемы.
4.1. Context Drift — потеря контекста
По мере роста проекта агенту становится сложнее сохранять понимание всей архитектуры.
Он может успешно решить локальную задачу, но при этом не учитывать решения, принятые ранее, взаимосвязи компонентов или ограничения других частей системы.
4.2. Error Propagation — распространение ошибок
Ошибки, допущенные на одном этапе, могут переходить в следующие изменения.
Если последующие агенты принимают ошибочный результат за достоверный, проблема начинает накапливаться и затрагивать всё больше компонентов.
4.3. Technical Debt Awareness — недостаточное понимание технического долга
Агенты могут предлагать решения, которые работают в текущем сценарии, но создают проблемы для дальнейшего развития системы.
Например, локальное исправление может нарушить архитектурные принципы, увеличить связанность компонентов или усложнить будущий рефакторинг.
4.4. Verification Fidelity — недостаточная достоверность проверки
Даже успешно пройденные тесты не всегда доказывают корректность системы.
Тестирование может не обнаружить скрытые семантические ошибки, нарушения бизнес-логики и проблемы взаимодействия компонентов.
Поэтому автор подчёркивает: полноценная автономная разработка пока не может считаться надёжной для всех производственных сценариев.
Это один из важнейших выводов исследования. Возможность генерировать код и выполнять отдельные задачи ещё не означает способность самостоятельно поддерживать сложный программный продукт.
5. Четыре этапа развития Agentic Engineering
Для описания дальнейшего развития автор предлагает прогнозную модель из четырёх этапов.
| Этап | Период | Основные возможности |
|---|---|---|
| I. Tool-Augmented | 2023–2025 | AI-помощники, генерация кода, исправление ошибок |
| II. Single-Task Autonomous | 2025–2027 | Самостоятельное выполнение отдельных задач |
| III. Multi-Agent Teams | 2026–2029 | Команды специализированных AI-агентов |
| IV. Self-Evolving Ecosystems | 2028+ | Саморазвивающиеся и адаптирующиеся агентные экосистемы |
Это именно прогнозная модель автора, а не подтверждённый график развития всей индустрии.
Особенно интересен третий этап — Multi-Agent Teams.
Автор описывает архитектуру, в которой разные агенты выполняют специализированные функции:
- Product Manager Agent — формирует требования и описывает продуктовые задачи;
- Architect Agent — проектирует архитектуру и определяет структуру решения;
- Developer Agents — реализуют отдельные компоненты;
- QA Agents — тестируют систему и проверяют результат.
Вместо одного универсального AI-помощника появляется команда специализированных исполнителей, работающих в рамках общего процесса.
Человек при этом сохраняет ответственность за цели, архитектуру и качество всей системы.
Четвёртый этап предполагает появление саморазвивающихся экосистем, способных улучшать собственные инструменты, процессы и рабочие стратегии.
Однако до полноценной реализации такого подхода остаётся множество нерешённых проблем: безопасность, контроль изменений, воспроизводимость, качество оценки и предотвращение накопления ошибок.
6. Что автор рекомендует делать уже сейчас
В разделе 7.1 исследования представлены практические рекомендации для перехода к новой модели разработки.
1. Перейти от производства кода к проектированию задач для агентов.
Развивать навыки Intent Engineering: формулировать задачи так, чтобы агент мог самостоятельно спланировать и выполнить работу в рамках заданных ограничений.
2. Осваивать оркестрацию агентов.
Научиться распределять задачи между специализированными исполнителями, организовывать передачу контекста, управлять зависимостями и общей памятью.
3. Инвестировать в наблюдаемость.
Создавать инфраструктуру для трассировки действий агентов, анализа ошибок, выявления некорректных результатов и измерения качества выполнения.
4. Использовать Human-in-the-loop.
Автор предлагает принцип:
Human-in-the-loop, Agent-in-the-driver’s-seat.
Агент выполняет основную работу, а человек отвечает за цели, критические решения и контроль результата.
Для бизнеса также рекомендуется начинать с процессов, которые имеют чёткие критерии успешного выполнения и допускают автоматизированную проверку.
Это позволяет постепенно расширять автономность агентов, не передавая им сразу управление критически важными процессами.
7. Насколько обоснованы выводы исследования
Важно правильно оценивать статус работы.
Это исследовательская публикация на arXiv, а не окончательно сформировавшийся научный консенсус.
В ней необходимо разделять несколько типов утверждений:
- концептуальная модель развития программного обеспечения;
- результаты отдельных экспериментов;
- авторская интерпретация текущих ограничений;
- прогнозы дальнейшего развития индустрии;
- практические рекомендации.
Приведённые результаты EvoClaw представляют интерес, но сами по себе не доказывают все выводы автора о будущем разработки.
Некоторые положения требуют дополнительной проверки.
В частности, тезис о том, что рост вычислительных ресурсов и возможностей моделей постепенно снимает ограничения человеческого мышления, остаётся гипотезой. У AI-агентов существуют собственные ограничения: контекстное окно, память, последовательность действий, стоимость вычислений, надёжность инструментов и качество обратной связи.
Кроме того, противопоставление человека и вычислительной мощности модели не учитывает, что инженерная работа включает не только обработку информации, но и ответственность за последствия решений.
Поэтому исследование лучше воспринимать как описание перспективного направления и набор гипотез о трансформации индустрии, а не как доказательство скорого исчезновения профессии программиста.
8. Что это означает для разработчиков и технических руководителей
Главный практический вывод можно сформулировать следующим образом:
Ценность разработчика постепенно перемещается от способности самостоятельно производить код к способности создавать, управлять и контролировать системы, которые производят работающий программный результат.
При этом знание программирования никуда не исчезает. Оно становится необходимым инструментом контроля над агентами.
Например, если AI-агент создал систему авторизации, технический специалист должен уметь оценить:
- правильно ли реализованы роли и разрешения;
- отсутствуют ли уязвимости;
- корректно ли работают транзакции;
- не нарушены ли существующие бизнес-процессы;
- можно ли безопасно развивать систему дальше.
Без технической компетенции человек рискует превратиться в оператора, который принимает результаты AI на веру.
Поэтому наиболее перспективная позиция — не отказ от инженерных знаний, а переход на следующий уровень их применения: архитектура, системное мышление, управление агентами, контроль качества и ответственность за результат.
9. VOLY и инфраструктура Agentic Engineering
Особенно интересно рассмотреть идеи исследования в контексте проекта VOLY.
VOLY разрабатывается как Control Plane для AI Coding Agents — инфраструктурная платформа, объединяющая оркестрацию агентов, работу с моделями и провайдерами, управление выполнением задач, память проекта, проверку результатов и контроль расходов.
Это направление напрямую пересекается с проблемами, которые описывает автор исследования.
Если Agentic Engineering предполагает переход от отдельных AI-помощников к автономным инженерным системам, таким системам необходим управляющий слой.
Он должен обеспечивать не только запуск агентов, но и координацию их работы, сохранение контекста, контроль выполнения и проверку результатов.
Можно выделить пять особенно важных направлений.
9.1. Agent Orchestration
Управление специализированными агентами, распределение задач и координация их взаимодействия.
Это позволяет переходить от одного универсального исполнителя к командам агентов с различными ролями и ответственностью.
9.2. Persistent Memory
Сохранение контекста, архитектурных решений, истории изменений и знаний о проекте между отдельными сессиями.
Это один из способов бороться с Context Drift и потерей информации при длительной работе.
9.3. Execution & State Management
Управление выполнением задач, зависимостями, состояниями и жизненным циклом процессов.
Для автономной разработки важно не только запустить агента, но и понимать, на каком этапе находится задача, какие действия уже выполнены и можно ли безопасно продолжить работу после сбоя.
9.4. Observability & Evaluation
Трассировка действий, сбор результатов, тестирование, оценка качества и аудит изменений.
Это инфраструктурная основа для решения проблемы Verification Fidelity.
9.5. Cost & Model Routing
Управление стоимостью, выбором моделей и резервными исполнителями.
При увеличении числа агентов стоимость разработки становится отдельным фактором, который необходимо учитывать на уровне всей системы, а не каждого отдельного запроса.
В таком контексте VOLY — это не просто оболочка над Claude Code, Codex или другими инструментами.
Это попытка создать независимую инфраструктуру, в которой разные AI-исполнители могут работать в рамках единого управляемого процесса.
Именно такой управляющий слой становится особенно важным по мере перехода к Multi-Agent Engineering.
Заключение
Исследование Zhenfeng Cao интересно не тем, что программирование якобы заканчивается.
Его основная ценность — в описании возможного перехода к новой инженерной дисциплине, в которой человек всё меньше занимается непосредственным производством каждой строки кода и всё больше проектирует, координирует и контролирует автономные системы.
Этот переход не произойдёт одномоментно. Современные агенты всё ещё испытывают серьёзные трудности при длительной работе над сложными проектами. Поэтому архитектура, тестирование, наблюдаемость и человеческий контроль остаются критически важными.
Но направление развития уже заслуживает внимания.
Для разработчиков это означает необходимость развивать компетенции в системной архитектуре, оркестрации, управлении качеством и проектировании процессов.
Для бизнеса — возможность пересмотреть подход к автоматизации и постепенно передавать AI-агентам не отдельные операции, а целые последовательности инженерных и операционных задач.
Для создателей инфраструктурных платформ — формирование нового класса продуктов, обеспечивающих управление автономными агентами.
Agentic Engineering — это не конец программирования. Это переход от разработки программного кода к проектированию и управлению системами, способными самостоятельно выполнять инженерную работу.
Первоисточник
Agentic Software: How AI Agents Are Restructuring the Software Paradigm
Автор: Zhenfeng Cao
Площадка: arXiv
Дата публикации: июнь 2026 года
Объём: 15 страниц
Примечание: изложение и интерпретация исследования не заменяют чтение оригинальной публикации. Приведённые прогнозы и оценки относятся к позиции автора статьи.