О сложном просто или программирование на .NET

В этой статье я показываю, как открыть ИИ-агенту (Claude Code, GitHub Copilot в VS Code) небольшую часть уже существующей доменной логики на C# через протокол контекста модели (Model Context Protocol, MCP). Пишем MCP-сервер на официальном C# SDK версии 2.x, подключаем его к двум клиентам, разбираем типичные ошибки, сравниваем «плохо», «хорошо» и «правильно», а также смотрим, что изменилось между версиями SDK 1.x и 2.x.

Большинство разработчиков знакомятся с ИИ через окно чата: задал вопрос — получил ответ, скопировал код — вставил в проект. Это удобно, но это «ручной» режим. Настоящая польза для продукта начинается тогда, когда модель становится обычной зависимостью вашего приложения — такой же, как база данных или очередь сообщений. Именно об этом статья: что такое ИИ через API, как устроены ключи, какие задачи так решают чаще всего, какую модель выбрать, стоит ли экономить на бесплатных моделях, когда нужен агент, а когда достаточно одного вызова, и почему промпты никуда не исчезают, а наоборот становятся частью кода.

Чтобы не прокиснуть мозгами, можно делать наоборот: не заставлять ИИ-агента писать код, а наоборот, написать код и попросить ИИ-агента его проверить.

Тесты для API — это, пожалуй, одна из тех задач, которые разработчики любят меньше всего. Не потому, что сложно, а потому, что однообразно: подготовить данные, отправить запрос, проверить код ответа, проверить тело ответа, повторить для невалидных данных, для неавторизованного пользователя, для несуществующей записи… И так для каждой конечной точки (endpoint). Неудивительно, что именно эту работу хочется отдать ИИ-агенту (AI agent) в первую очередь.

Попросить ИИ-агента написать тесты — дело одной строки. Получить тесты, которые действительно что-то проверяют, гораздо сложнее. В этой статье разберём, как сформулировать задачу, какие инструкции один раз положить в репозиторий и как выстроить процесс, чтобы агент писал полезные unit-тесты, а не просто зелёные. Примеры будут для Claude Code на стеке xUnit + Moq + AutoFixture. При этом всё сказанное применимо к любому агенту: GitHub Copilot, Cursor, Codex и другим. Меняются только имена файлов и команды.

Агенты научились писать код быстрее, чем мы успеваем его читать. Но скорость оказалась не главной проблемой — главной стало то, что агент не помнит, о чём вы договорились вчера. В этой статье рассмотрим подход, который пытается эту проблему решить, и инструменты, которые его реализуют: GitHub Spec Kit, Kiro, OpenSpec, BMAD Method, Tessl и ещё несколько.

Чтобы ИИ-агент стал вашим помощником, нужно чтобы он "понимал" как решать задачи, которые вы ему будете ставить. А для этого ему нужно "вложить в голову" правила разработки, используемую архитектуру, сборки, подходы, шаблоны, паттерны и прочие программистские понятия и хитрости, которые используются на вашем проекте.

Наверное вы уже знаете что такое  Large language Model (LLM) и может быть даже знаете (или хотя бы слышали) про Computer Vision (CV), но задумывались ли вы, какие еще бывают типы моделей?

Я хочу в этом видео показать, что я делал и как, чтобы подключить к старому проекту ИИ-агента (Claude Code).

Статья о том, как меняется профессия программиста: раньше мастерство измерялось умением писать код, теперь всё больше решает то, как вы формулируете задачу для ИИ в промпте. В статье отдельно разобраны параллели между промпт-инжинирингом и архитектурным мышлением, а также типичные ошибки в промптах.