Революция в рабочем процессе программирования с ИИ: практическое руководство из 6 шагов по написанию кода с GLM-5 и проверке с Claude Sonnet 4.6

В 2026 году 92% разработчиков уже используют AI-инструменты для программирования, а 41% кода генерируется с помощью ИИ. Но есть неприятная реальность: разработчики сообщают об экономии времени на 30-60%, однако реальный прирост продуктивности организации составляет лишь около 10%. В чем разрыв? В рабочем процессе.

Если подобрать правильную комбинацию моделей и выстроить рабочий процесс, AI-программирование станет инструментом для 10-кратного повышения эффективности. Если ошибиться — это превратится в генератор кода, который «вроде бы работает, но в любой момент может взорваться».

Основная ценность: Прочитав эту статью, вы освоите проверенный рабочий процесс AI-программирования с использованием нескольких моделей: генерация кода с помощью экономичных моделей (например, GLM-5), проверка кода с помощью топовых моделей (например, Claude Sonnet 4.6), а также автоматизация полного цикла с помощью Claude Code.

Фундаментальные изменения в рабочем процессе программирования с ИИ

Трансформация роли разработчика: от «писателя кода» к «дирижеру ИИ»

В разработке ПО 2026 года основная работа программиста заключается уже не в написании кода строка за строкой, а в следующем:

1. Написание спецификаций (Specification Engineering) — определение требований, ограничений и архитектурных предпочтений.
2. Выбор комбинации моделей — использование разных моделей на разных этапах.
3. Проверка и контроль — гарантия того, что результат работы ИИ соответствует инженерным стандартам.
4. Принятие окончательной ответственности — ИИ лишь инструмент, человек — ответственное лицо.

Адди Османи (технический руководитель команды Google Chrome) сформулировал ключевой принцип: «Сначала планируй, потом пиши код. Менять план дешево, менять код — дорого».

Новый рабочий процесс vs Традиционный

Ключевые данные: реальное положение дел в ИИ-программировании

🎯 Ключевой инсайт: Ключ к росту продуктивности не в том, сколько кода может сгенерировать ИИ, а в наличии у вас эффективной системы проверки и верификации. Через платформу APIYI (apiyi.com) вы можете гибко комбинировать различные модели для построения такой системы.

Стратегия выбора моделей: дешево пишем, качественно проверяем

Это ключевая методология данной статьи — использование разных моделей на разных этапах. Как гоночная команда не отправит болид F1 на доставку грузов, так и грузовик не пустит на трек.

Трехуровневая пирамида моделей

Почему GLM-5 для генерации кода

GLM-5 — это открытая большая языковая модель, выпущенная Zhipu AI в феврале 2026 года, обладающая высочайшей эффективностью в задачах генерации кода.

Основные характеристики GLM-5:

• Количество параметров: 744B (архитектура MoE, 256 экспертов, 8 активных на запрос, ~40B активных параметров)
• Контекстное окно: 200K токенов
• SWE-bench Verified: 77.8% (лучшая среди открытых моделей)
• Лицензия: MIT (полностью коммерческая)
• Цена за вход: $1.00/млн токенов — всего 1/3 от цены Claude Sonnet 4.6

Сравнение GLM-5 с закрытыми моделями на SWE-bench:

Индекс эффективности GLM-5 (счет SWE-bench / цена за вход) почти в 3 раза выше, чем у Claude Sonnet 4.6. Для высокочастотных операций, таких как генерация кода, разница в стоимости быстро становится ощутимой.

Почему Claude Sonnet 4.6 для проверки кода

Для проверки кода важна не скорость, а глубокое понимание и точность суждений. Sonnet 4.6 в этом плане значительно превосходит модели генеративного уровня:

• Контекст 1 млн токенов: позволяет загрузить весь кодовый репозиторий + PR diff + зависимости за один раз.
• Кросс-файловый анализ: способность обнаруживать логические разрывы в файле B, вызванные изменениями в файле A.
• SWE-bench 79.6%: всего на 1.8 процентных пункта ниже, чем у Opus 4.6.
• Предпочтения разработчиков: в тестах Claude Code разработчики выбирали Sonnet 4.6 чаще, чем флагман Opus 4.5, в 59% случаев.
• Отсутствие избыточности: по сравнению с предыдущими моделями, Sonnet 4.6 реже «переусложняет» код или «халтурит».

Сравнение затрат: использование Sonnet 4.6 для ревью стоит в 5 раз дешевле, чем Opus 4.6, при сопоставимом качестве проверки. Для большинства сценариев PR-ревью это оптимальный выбор.

💡 Совет по выбору: Через платформу APIYI (apiyi.com) вы можете одновременно подключить API GLM-5 и Claude Sonnet 4.6, управляя несколькими моделями через один ключ. Используйте GLM-5 на этапе генерации для экономии, и переключайтесь на Sonnet 4.6 для обеспечения качества на этапе проверки.

6-шаговый рабочий процесс: от требований до коммита

Вот проверенный на практике полный рабочий процесс. Основная концепция: Explore (Исследование) → Plan (Планирование) → Generate (Генерация) → Review (Проверка) → Test (Тестирование) → Commit (Коммит).

Шаг 1: Спецификация (Specification)

Прежде чем писать хоть строчку кода, составьте четкое описание требований:

## Требования
Реализовать API-эндпоинт для регистрации пользователей

Ограничения

• Используем фреймворк FastAPI
• Пароли шифруем с помощью bcrypt
• Email должен быть уникальным, при дублировании возвращаем ошибку 409 Conflict
• Запись в PostgreSQL через SQLAlchemy ORM
• Возвращаем JWT-токен

Что не нужно

• Процесс подтверждения email (отложим на следующие итерации)
• Социальная авторизация

### Шаг 2: Планирование с помощью ИИ (Plan)

Используем Claude Sonnet 4.6 для проработки архитектуры (на этапе планирования стоит использовать мощную модель):

```python
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Единый интерфейс APIYI
)

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[
        {"role": "system", "content": "Ты — ведущий архитектор. На основе требований составь план реализации, включая структуру файлов, сигнатуры ключевых функций и потоки данных. Не пиши полный код."},
        {"role": "user", "content": spec_content}
    ]
)
print(response.choices[0].message.content)

Шаг 3: Генерация кода с помощью ИИ (Generate)

После утверждения плана используем GLM-5 для написания кода:

# Переключаемся на экономичную модель для генерации кода
response = client.chat.completions.create(
    model="glm-5",
    messages=[
        {"role": "system", "content": f"Реализуй код согласно следующему архитектурному плану:\n{plan}"},
        {"role": "user", "content": "Пожалуйста, напиши полный код API для регистрации пользователя"}
    ],
    max_tokens=8192
)

Ключевые принципы:

• Генерируйте по одной функции или модулю за раз, не пытайтесь создать весь проект целиком.
• Сразу после генерации делайте git commit — это будет вашей «точкой сохранения» для отката.
• Рутинный код (CRUD, валидация форм) смело отдавайте ИИ.
• Критически важный код (аутентификация, шифрование, права доступа) пишите вручную или подвергайте двойной проверке.

Шаг 4: ИИ-ревью (Review)

После генерации кода переключаемся на Claude Sonnet 4.6 для проверки:

# Переключаемся на модель для ревью
generated_code = open("app/routes/auth.py").read()

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[
        {"role": "system", "content": REVIEW_PROMPT},
        {"role": "user", "content": f"Пожалуйста, проведи ревью этого кода:\n\n{generated_code}"}
    ],
    max_tokens=4096
)

REVIEW_PROMPT = """Ты — эксперт по код-ревью. Этот код сгенерирован ИИ, обрати особое внимание на:

1. **Типичные ошибки ИИ**: несуществующие API, выдуманные функции библиотек, код, который выглядит верным, но содержит логические ошибки.
2. **Безопасность**: инъекции, захардкоженные ключи, небезопасное шифрование, обход прав доступа.
3. **Граничные условия**: пустые значения, конкурентность, большие объемы данных, таймауты сети.
4. **Архитектурная целостность**: соответствует ли код стилю проекта? Именование, слои, обработка ошибок.
5. **Тестируемость**: легко ли написать unit-тесты? Можно ли внедрять зависимости?

Выводи отчет по уровням критичности:
- 🔴 Обязательно к исправлению (ошибки безопасности/логики)
- 🟡 Рекомендуется исправить (качество кода)
- 💡 Предложения по улучшению (опционально)

Если проблем нет, напиши "Ревью пройдено". Не выдумывай несуществующие проблемы."""

Шаг 5: Тестирование (Test)

После успешного ревью генерируем тесты (все еще используем GLM-5 для экономии):

response = client.chat.completions.create(
    model="glm-5",
    messages=[
        {"role": "system", "content": "Напиши unit-тесты на pytest для следующего кода, покрыв нормальные сценарии и граничные условия."},
        {"role": "user", "content": generated_code}
    ]
)

Шаг 6: Финальная проверка человеком + слияние

После того как ИИ провел ревью и тесты пройдены, человек делает финальный вывод:

• Разумны ли архитектурные решения?
• Соответствует ли код бизнес-задачам?
• Есть ли контекстные риски, которые ИИ не может распознать?

🚀 Эффективность: Главное преимущество этого рабочего процесса в том, что внимание человека сосредоточено на самом важном. ИИ берет на себя 80% рутины (генерация, проверка стиля, базовые баги), а человек фокусируется на 20% высокоуровневых задач (архитектура, безопасность, бизнес-логика). Используя платформу APIYI apiyi.com, вы управляете API-ключами для GLM-5 и Claude 4.6 в одном месте, избавляясь от необходимости регистрироваться и следить за множеством сервисов.

Claude Code: ультимативное решение для AI-программирования полного цикла

Если вы не хотите самостоятельно настраивать сложные рабочие процессы с использованием нескольких моделей, Claude Code предлагает решение «все в одном». Это AI-агент, работающий прямо в терминале, который способен самостоятельно изучать кодовую базу, редактировать файлы, выполнять команды и решать задачи.

Ключевые преимущества Claude Code

Лучшие практики работы с Claude Code

1. Дайте AI способ проверить свою работу

Это рекомендация из официальной документации, которая дает максимальный эффект:

# Хороший промпт
"Реализуй функцию регистрации пользователя, напиши соответствующие pytest-тесты и отправь изменения только после успешного прохождения тестов"

# Плохой промпт
"Реализуй функцию регистрации пользователя"

2. Режим двух сессий: Автор/Рецензент

Запустите два сеанса Claude Code:

• Сессия A (Автор): фокусируется на реализации функционала.
• Сессия B (Рецензент): проверяет вывод Автора с использованием «чистого» контекста.

Такой подход «AI проверяет AI» позволяет эффективно находить слепые зоны, которые может пропустить один агент.

3. Используйте конфигурацию проекта CLAUDE.md

# CLAUDE.md

Технологический стек проекта

Python 3.12 + FastAPI + SQLAlchemy + PostgreSQL

Стандарты написания кода

• Аннотации типов: все функции должны содержать аннотации типов.
• Обработка ошибок: используйте кастомный класс AppError.
• Логирование: бизнес-события — уровень INFO, отладка — DEBUG.

Запреты

• Не используйте print(), используйте logger
• Не хардкодьте конфигурации, используйте переменные окружения
• Не пишите SQL-запросы напрямую в функциях маршрутизации

**4. Правило сочетания инструментов 80/15/5**

Рекомендуемое распределение инструментов от опытных разработчиков:
- **80%**: Автодополнение и инлайн-редактирование (Cursor/Copilot) — для повседневного кодинга.
- **15%**: Агентные задачи средней сложности (Cursor Agent/Windsurf) — для реализации функционала.
- **5%**: Сложные архитектурные изменения в нескольких файлах (Claude Code) — для масштабного рефакторинга.

> 💰 **Совет по затратам**: Режим API для Claude Code тарифицируется по токенам. Если подключаться через сервис-прокси API APIYI (apiyi.com), можно получить доступ к моделям Claude по более выгодным ценам, чем напрямую. Для сценариев, где не требуется полный функционал Claude Code, можно напрямую вызывать Claude Sonnet 4.6 через API для проведения ревью.

---

## Практический кейс: полный цикл генерации и проверки кода

Ниже показан реальный сценарий: генерация модуля аутентификации пользователей FastAPI с помощью GLM-5 и последующая проверка через Claude Sonnet 4.6.

### Код рабочего процесса

```python
import openai
import logging

# Настройка логгера вместо print
logger = logging.getLogger(__name__)

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Единый интерфейс APIYI
)

# ===== Шаг 1: Генерация кода с помощью GLM-5 =====
gen_response = client.chat.completions.create(
    model="glm-5",
    messages=[
        {"role": "system", "content": "Ты эксперт по бэкенду на Python."},
        {"role": "user", "content": """
Реализуй эндпоинт регистрации пользователя в FastAPI:
- POST /api/v1/register
- Принимает email и password
- Хеширует пароль через bcrypt
- Сохраняет в PostgreSQL
- Возвращает JWT-токен
"""}
    ],
    max_tokens=4096
)
generated_code = gen_response.choices[0].message.content

# ===== Шаг 2: Ревью с помощью Claude Sonnet 4.6 =====
review_response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[
        {"role": "system", "content": REVIEW_PROMPT},
        {"role": "user", "content": f"Проверь следующий AI-сгенерированный код:\n\n{generated_code}"}
    ],
    max_tokens=4096
)
review_result = review_response.choices[0].message.content
logger.info("=== Результат проверки ===")
logger.info(review_result)

Анализ затрат

Полная стоимость одного цикла «генерация + проверка» составляет менее $0.04. Даже если делать 50 таких циклов в день, месячные затраты составят всего около $60.

Если использовать только Claude Opus 4.6, стоимость того же рабочего процесса составит около $0.18 за раз — это в 4.5 раза дороже, чем комбинированный подход.

🎯 Ключевые цифры: Комбинированная схема (генерация через GLM-5 + проверка через Sonnet 4.6) стоит всего 22% от стоимости использования Opus 4.6 на всех этапах, при этом качество проверки практически не отличается. Все вызовы можно выполнять через один API-ключ на платформе APIYI (apiyi.com).

Часто задаваемые вопросы

Резюме: как правильно подходить к AI-программированию

Суть AI-программирования не в том, чтобы «заставить ИИ написать весь код», а в создании эффективного процесса взаимодействия нескольких моделей. Лучшая практика 2026 года выглядит так:

Формула выбора модели:

• 🟢 Часто, низкий риск (шаблонный код, CRUD) → GLM-5 и другие модели с хорошим соотношением цены и качества
• 🟡 Средне, средний риск (PR-ревью, рефакторинг) → Claude Sonnet 4.6
• 🔴 Редко, высокий риск (аудит безопасности, архитектурное проектирование) → Claude Opus 4.6

Формула рабочего процесса:

• Сначала спецификация, затем планирование, генерация, проверка, тестирование и, наконец, финальное решение человека.
• ИИ берет на себя 80% рутинной работы, человек фокусируется на 20% высокоуровневых решений.

Рекомендуем использовать APIYI apiyi.com для единого доступа ко всем основным моделям, включая GLM-5, Claude Sonnet 4.6 и Opus 4.6, чтобы выстроить полноценный рабочий процесс AI-программирования на одной платформе.

Справочные материалы

1. Addy Osmani: Рабочий процесс программирования с LLM 2026

   • Ссылка: addyosmani.com/blog/ai-coding-workflow

2. Официальные рекомендации Claude Code: Руководство по агентному программированию

   • Ссылка: code.claude.com/docs/en/best-practices

3. Техническая статья GLM-5: От Vibe Coding к инженерному AI-программированию

   • Ссылка: arxiv.org

4. Официальный блог Anthropic: Анонс выпуска Claude Sonnet 4.6

   • Ссылка: anthropic.com/news/claude-sonnet-4-6

5. MIT Technology Review: Прорывные технологии в генеративном программировании 2026 года

   • Ссылка: technologyreview.com

Автор: Команда APIYI | Исследуем лучшие практики использования ИИ в разработке ПО. Посетите APIYI (apiyi.com), чтобы получить доступ к единому API для всей линейки моделей GLM-5 и Claude 4.6.