Лучшие практики работы с агентами для написания кода

18.01.2026 • Хабр

Команда Cursor перевела и опубликовала руководство о том, как работать с AI-агентами для написания кода в редакторе Cursor. Главный вывод: стабильный результат строится на планировании, контексте и настройке поведения агента.

Система управления агентом (agent harness) описана как сочетание инструкций, инструментов и сообщений пользователя.
В Cursor инструкции и набор инструментов настраиваются под каждую модель на основе внутренних оценок и внешних бенчмарков.
Режим планирования переключается через Shift+Tab: агент исследует кодовую базу, задаёт уточняющие вопросы и формирует план с путями к файлам, ожидая одобрения перед началом работы.
Планы открываются как Markdown-файлы; их можно редактировать и сохранять в .cursor/plans/ как документацию и контекст для будущей работы.
Для расширения поведения описаны Rules (статический контекст в .cursor/rules/) и Skills (динамические возможности в SKILL.md, включая хуки в .cursor/hooks.json).
В тексте упоминаются параллельные агенты с изоляцией через git worktree и облачные агенты, которые клонируют репозиторий и открывают pull request.

Почему это важно: Руководство показывает, что при работе с агентами часть инженерной работы смещается в постановку цели и управление контекстом. Cursor описывает роль agent harness и то, почему одинаковые формулировки могут по-разному работать в разных моделях. Это помогает уменьшать трение при появлении новых моделей и закреплять повторяемые рабочие паттерны. Планы как артефакт команды становятся частью документации и снижают потери контекста.

На что обратить внимание: В тексте разделяется постоянный контекст проекта (Rules) и вызываемые по ситуации рабочие процессы (Skills), что влияет на чистоту контекстного окна и воспроизводимость поведения. Отдельно отмечается, что длинные цепочки сообщений могут накапливать шум и снижать эффективность агента, поэтому границы логической единицы работы важны для решения — продолжать диалог или начинать новый. Также описаны уровни проверки качества кода: наблюдение за diff и отдельный режим поиска проблем, а для pull request упоминается Bugbot. Параллельные агенты в worktree поднимают вопрос о том, как сравниваются и объединяются результаты.

Коротко

Авторы ссылаются на исследование Университета Чикаго: опытные разработчики чаще планируют перед генерацией кода, и это задаёт агенту ясные цели.
Cursor описывает, что агент может сам добывать контекст через grep и семантический поиск; избыток нерелевантных файлов, по тексту, снижает фокус.
В статье предлагается правило для диалогов: новый чат при смене задачи или повторяющихся ошибках, продолжение — при итерациях над той же функцией и отладке.
Для переноса контекста между чатами упоминается @Past Chats: агент выборочно читает историю, вместо копирования всего обсуждения целиком.
Практический сигнал качества в тексте — проверяемые цели: тесты, линтеры и typecheck помогают агенту итеративно улучшать код, не полагаясь на «ощущение правильности».

FAQ

Зачем это важно для команд разработки: что в статье Cursor меняется в распределении работы между человеком и агентом при написании кода?

В тексте подчёркивается, что агенты могут долго работать над задачей, а эффективность зависит от планирования, контекста и проверяемых целей. Это влияет на скорость и качество изменений в кодовой базе.

Что именно авторы называют «системой управления агентом» (agent harness) и почему один и тот же промпт, по тексту, может по-разному сработать в моделях?

Agent harness описан как сочетание инструкций, инструментов и сообщений пользователя, которые оркестрируются для каждой модели. Разные модели по-разному реагируют на одинаковые промпты и по-разному используют инструменты.

Как в руководстве Cursor описан выбор между продолжением диалога и новым разговором с агентом, и из-за чего длинные чаты теряют фокус?

Новый разговор предлагается начинать при смене задачи, повторяющихся ошибках или завершении логической единицы работы, а продолжать — при итерациях над той же функциональностью и отладке. Длинные диалоги, по тексту, накапливают шум и снижают фокус агента.

Что в тексте относится к интеграциям и расширениям: для чего упоминаются MCP (Model Context Protocol) и работа с изображениями в промптах?

MCP описан как способ подключать агента к инструментам вроде Slack, Datadog, Sentry и баз данных. Также говорится, что агент может понимать изображения из промптов и, например, работать с дизайн-макетами через MCP-сервер Figma.

PubMag