Лорен Тан, экс-инженер Meta и Netflix, теперь работающая в Cursor, описыла систему автономной работы ИИ-агентов в разработке. Она утверждает, что главным препятствием для продуктивности является отсутствие доверия, из-за чего разработчики вынуждены вручную проверять каждое действие агента, что ограничивает распараллеливание задач.
Для достижения автономности Тан внедрила систему верификации (AI Evals). Это позволяет агентам самостоятельно запускать код, снимать CPU-трассировки и использовать симуляторы iOS для проверки корректности. Она также создала плагин Pstack, который с помощью карты функций (feature map) предоставляет агентам контекст о навигации и элементах интерфейса.
Тан также внедрила навык HAL, который запрещает агентам гадать и обязывает их читать соответствующий код с помощью субагентов. Для поддержки этих навыков используется eval playbook, где главный агент-координатор и модели-судьи проводят перекрестную проверку результатов работы субагентов в изолированных директориях.
Внутри Cursor разработчики используют агента Benny, который автоматически обрабатывает отчеты об ошибках, воспроизводя проблемы в облаке. Для продукта Grokbot Тан разраболатала архитектуру Dune, которая включает строгие CI-проверки: запрет useEffect в React и запрет комментариев в коде, чтобы избежать загромождения.
Такая система позволяет даже дизайнерам и продакт-менеджерам безопасно вносить правки в код. Тан отмечает, что несмотря на высокий начальный расход токенов, ROI в итоге окупается за счет сокращения найма персонала и ускорения работы команды. Она также упомянула, что модель Grok 4.6 улучшила соотношение цена-качество.
