Инженерия агентов и внешняя петля: где сочетаются антигравитация и агенты CLI

Следующий этап развития ИИ будет в меньшей степени зависеть от более совершенных моделей, а в большей — от более сильных инженерных систем. На конференции Sequoia Ascent 2026 Андрей Карпати описал переход индустрии от кодирования на основе интуитивного подхода к агентному инжинирингу. В этой дисциплине люди разрабатывают спецификации, циклы оценки и правила безопасности, в то время как агенты выполняют определенные задачи по реализации.

Это изменение имеет важное значение, поскольку искусственный интеллект не заменяет дисциплину программной инженерии. Он усиливает те дисциплины, которые уже существуют. Исследования Google DORA и соответствующие рекомендации по платформам указывают на то же: организации с прочной инженерной базой получают больше пользы от рабочих процессов с использованием искусственного интеллекта, чем те, у которых слабые процессы и недостаточная верификация. Использование инструментов для разработки с искусственным интеллектом распространено широко, но доверие к ним — нет. Ограничивающим фактором стала не сама модель, а система вокруг нее: спецификации, оценки, процессы развертывания и механизмы управления. Инженерия с агентными элементами — это практика создания такой системы.

Что означает инженерия с агентными элементами

Коротко говоря, это структурированный способ разработки с использованием искусственного интеллекта, при котором люди отвечают за архитектуру, качество и корректность кода, в то время как агенты выполняют ограниченные задачи по реализации в установленных рамках. Карпати выделил три основополагающих принципа.

Спецификации в первую очередь. Прежде чем агент напишет хотя бы один строкой кода, инженер описывает цель, ограничения и критерии успеха в формате спецификации, понятной для обработки машиной. Структурированный контракт между человеком и агентом заменяет собой нечеткое описание задачи.

Оценка перед доверием. Одна успешная попытка выполнения ничего не говорит о надежности. Агенты должны тестироваться на структурированных наборах данных для оценки, где их результаты оцениваются с помощью специальных метрик и методов, основанных на использовании больших языковых моделей в качестве судей, чтобы гарантировать воспроизводимость результатов перед их применением.

Ограничения и песочницы. Агент должен находиться в защищённой песочнице с чёткими разрешениями, инструментальными хуками и механизмами контроля политик, чтобы его выполнение нельзя было запустить без проверки. Сегодня лишь 12% пилотных проектов корпоративных ИИ-агентов доходят до фазы производственного использования, и причина в основном не в моделях. Проблемы заключаются в отсутствии песочниц, сканирования на наличие секретов и механизмов контроля политик.

Каково текущее состояние инструментов программирования

Любая честная оценка начинается с признания того, что современные инструменты ИИ для программирования делают хорошо, и это впечатляет.

Они отлично справляются с задачами внутренней обработки: разбиением задания на этапы, редактированием нескольких файлов, запуском команд в локальной терминале и самостоятельным исправлением ошибок компилятора. Они давно вышли за рамки простого генерирования кода и автодополнения.

Однако внутренний цикл — это лишь половина всей картины. Команды в крупных компаниях больше не задаются вопросом о том, может ли агент писать и редактировать код, поскольку к 2026 году практически каждый крупный инструмент обладает такой возможностью. Более сложной является задача внешнего цикла: как организация оценивает, развертывает, отслеживает и управляет агентами после того, как они покидают локальную терминал разработчика. Именно здесь меняется характер обсуждения. Структурное различие выглядит следующим образом:

Все это не делает другие инструменты хуже. В качестве движков для выполнения внутреннего цикла они по-прежнему относятся к числу лучших на рынке. Но генерация кода — это лишь отправная точка, а инструменты, разработанные для локальной терминалы разработчика, изначально не предназначены для управления всем жизненным циклом в рамках внешнего цикла. Чтобы добиться успеха в 2026 году, недостаточно просто создавать способных агентов — необходима инфраструктура для их оценки, развертывания и управления в производственной среде.

CLI-агенты как входная точка

Подход Google основан на одном ключевом дизайнерском решении. Agents CLI предназначен для работы вместе с любым помощником по программированию, и это является особенностью архитектуры, а не её недостатком. При установке он добавляет семь основных функций, разработанных на основе Agent Development Kit (ADK), включая создание структуры проекта, оценку, расчёт баллов с использованием LLM в качестве судьи, настройку во время выполнения, развертывание в Cloud Run и обеспечение наблюдаемости с помощью Cloud Trace. Пользователи Claude Code или Cursor могут использовать agents-cli scaffold, agents-cli eval и agents-cli deploy примерно с такой же лёгкостью, как и пользователи Antigravity.

Это сделано намеренно. Google не конкурирует на уровне генерации кода. Компания считает, что ценность агентного инжиниринга смещается с фронтенда, где пишется код, на бэкенд, где запускаются, отслеживаются и управляются агенты. И независимо от того, какой фронтенд выберет разработчик, команды CLI ведут к одному и тому же результату:

• agents-cli развертывает агентов в Cloud Run, GKE или Agent Engine, все они находятся в GCP.
• agents-cli отправляет телеметрию в Cloud Trace и BigQuery, также сервисы GCP.
• agents-cli регистрирует агентов в Agent Registry, который также является частью GCP.
• Слой управления, включающий Model Armor, Agent Identity и механизмы политик, также работает в GCP.

CLI служит входным пунктом, а GCP — конечной точкой. Каждый помощник для программистов, использующий его, превращается в клиент GCP для производственного цикла. Поэтому фраза «он также работает с Cursor» способствует реализации стратегии, а не подрывает её: Google не нуждается в том, чтобы кто-то менял редакторы, достаточно лишь запускать производственные задачи в GCP, а CLI делает этот путь наименее затруднительным для любого инструмента.

Три концентрических слоя

Экосистема Google состоит из трех вложенных уровней. Каждый из них добавляет новые возможности, при этом не требуется отказываться от существующих инструментов.

Самый внутренний уровень — это Agents CLI, совместимый с Cursor, Claude Code, Codex, Copilot, Antigravity и любыми другими инструментами, поддерживающими внедрение специальных функций. Он предоставляет стандартный способ создания структуры проекта (agents-cli scaffold), структурированную оценку, проводимую с помощью ИИ-судьи (agents-cli eval), возможность развертывания на Cloud Run или GKE с помощью одной команды (agents-cli deploy) и автоматическую настройку системы отслеживания в Cloud Trace (agents-cli observe). В нем отсутствуют функции оркестрации нескольких агентов, создания постоянного контекста и встроенных циклов проверки. Аргумент для пользователей: сохранить любимый редактор, получить воспроизводимый путь от прототипа до продакшена и согласиться на то, что производственная работа будет выполняться на GCP.

Слой облачных ресурсов необходим любому инструменту, использующему Agents CLI, поскольку именно там фактически выполняются агенты. Он включает в себя:

• Cloud Run, GKE и платформу агентов для масштабируемого управляемого хостинга
• Cloud Trace для полного отслеживания пути выполнения с телеметрией, соответствующей стандарту OTel
• BigQuery Agent Analytics для создания панелей управления для всего набора развернутых агентов
• Agent Registry — центральный каталог для управления, версионирования и обмена агентами
• Model Armor, предотвращающий утечку данных и фильтрующий небезопасный контент
• Agent Identity с криптографическими идентификаторами, связанными с проверяемыми личными идентификаторами людей или принципалами сервисов
• Протокол Agent2Agent (A2A) для обмена сообщениями между агентами при координации работы всего набора

Причина в том, что автономные помощники для программирования обычно зависят от внешней облачной инфраструктуры для развертывания в производстве, мониторинга и управления, и не предлагают интегрированной среды выполнения для корпоративных приложений. Это структурный аспект, а не конкурентный. Claude Code не конкурирует с Cloud Run, поскольку они работают на разных уровнях.

Что добавляет Antigravity

Если у всех есть сабагенты и файлы контекста, что отличает Antigravity? Ответ заключается не в одной-единственной функции, а в вертикальной интеграции с производственным уровнем.

Подагенты в Claude Code работают непосредственно в терминале: они пишут код, запускают тесты и генерируют результаты. Развертывание этого кода, его непрерывный мониторинг, управление группой агентов и координация их действий между различными сервисами — всё это ложится на пользователя, поскольку Claude Code не имеет никакого представления о инстансах Cloud Run, системах отслеживания или правилах управления. Это инструмент для разработки. Подагенты Antigravity могут делать гораздо больше:

• Развертывать код непосредственно в Cloud Run, GKE или на платформе агентов с помощью Agents CLI, поскольку этот инструмент является частью основного продукта, а не сторонним плагином.
• Запрашивать данные от Cloud Trace во время отладки, так как Antigravity может читать данные системы отслеживания GCP.
• Регистрировать завершённых агентов в Agent Registry, поскольку процесс публикации является частью встроенной рабочей процедуры.
• Координировать действия с развернутыми агентами по протоколу A2A, поскольку слой коммуникации относится к той же экосистеме.

Подагенты Claude Code представляют собой мощные инструменты для разработки, в то время как подагенты Antigravity — это инструменты разработки, осведомленные о среде производства, поскольку они используют один и тот же набор компонентов от поставщика. Утверждается, что у них четыре преимущества, которых в настоящее время нет у других инструментов:

1. Непрерывность работы на нескольких интерфейсах: контекст одного агента охватывает рабочую среду IDE, командную строку, SDK для программной работы и управляемый API. Рабочий процесс может начаться в IDE, продолжиться в терминале и быть запущен из систем CI/CD. Claude Code в основном используется в терминале, тогда как Cursor ориентирован на IDE.
2. Интеграция с CLI первичных агентов: функции scaffold, eval, deploy и observe были разработаны совместно с Antigravity, поэтому агент нативно знает командную строку и может объединять команды жизненного цикла без необходимости в специальной настройке.

Контекст, учитывающий GCP. Агенты могут загружать данные Cloud Trace, записи из Agent Registry и метаданные развертывания в свой рабочий контекст, что позволяет агенту, решающему проблемы в производственной среде, читать телеметрию, просматривать конфигурацию развернутого агента и предлагать решения в рамках одной сессии.

Возможность обнаружения в корпоративной среде. Многие пользовательские агенты остаются изолированными за приватными URL-адресами конечных точек, к которым можно получить доступ только их создателям, при этом требуется ручное передача учетных данных. Встроенная система публикации решает эту проблему: при указании CLI команды для регистрации агента в Gemini Enterprise запускается команда agents-cli publish, после чего агент появляется в качестве безопасного инструмента, доступного для обнаружения внутри приложения Gemini Enterprise во всей организации. Встроенная система IAM контролирует доступ, и команды могут ею пользоваться без необходимости настраивать собственную инфраструктуру.

Сравнение экосистем

Чтобы сделать сравнение более конкретным, в следующей таблице показано, в чём инструменты совпадают и в чём отличаются.

В верхней части сравнения три экосистемы совпадают по архитектуре: они обеспечивают качественную генерацию кода, параллельную оркестрацию подагентов и управляемые облачные среды для долгосрочных задач. В нижней части проявляется преимущество Google с точки зрения корпоративных возможностей. Конкурирующие платформы перемещают код, данные и учетные данные в проприетарные среды третьих сторон, тогда как Google позволяет организации выполнять, идентифицировать, аутентифицировать, управлять и отслеживать агенты внутри собственной среды Google Cloud с помощью Agent Runtime, Agent Identity, Model Armor и Agent Registry. Это различие проявляется в практическом применении: встроенная телеметрия GCP, единый механизм развертывания и управления моделями «из коробки».

Если говорить кратко, возможности локальных внутренних циклов постепенно сближаются, а именно на уровне инфраструктурного слоя возникает разрыв из-за отсутствия вертикальной интеграции.

Как принять решение

Чертеж принятия решений для руководителей и инженеров прост: команда, сосредоточенная в основном на ускорении внутренних циклов, должна оставаться с текущими инструментами. Claude Code, Cursor и Copilot — отличные решения, которые совершенствуются ежемесячно. Для расширения функционала можно добавить Agents CLI, а при готовности команды — развернуть его на GCP.

Организации, переходящие от кодирования с использованием ИИ к рабочим процессам, управляемым агентами, сталкиваются с другими требованиями. Управление пулом агентов, контроль качества на основе оценок, регулирование в регулируемых отраслях и координация нескольких агентов требуют иной архитектуры; Google является одним из немногих поставщиков, предлагающих вертикально интегрированный набор инструментов, охватывающий агентов для кодирования, процессы оценки, развертывания, мониторинга и управления.

Успех не зависит от превосходства моделей, поскольку они сходятся к одному результату. Он зависит от интеграции инфраструктуры: от расстояния между написанием кода агента и управлением флотом таких агентов в производственной среде. Google сократил это расстояние больше, чем кто-либо другой, независимо от того, с каким инструментом начинает работу команда.