Конец ручного программирования: как ИИ-агенты переписали движок Bun и изменили будущее разработки
Релиз Bun 1.4, в котором ключевой движок был полностью переписан с Zig на Rust (свыше миллиона строк кода), стал символом новой эры. Опыт разработчика Джарреда Самнера, выполнившего эту миграцию за 11 дней с помощью ИИ-агентов, подтверждает гипотезу о том, что традиционная модель ручного написания и ревью кода движется к исчезновению. На смену придут системы, где люди управляют процессами верификации, а ИИ генерирует, тестирует и улучшает готовые программные продукты.
# Конец ручного программирования: как ИИ-агенты переписали движок Bun и изменили будущее разработки
Релиз Bun 1.4, выпущенный на прошлой неделе, привлек внимание не только скоростью работы нового движка, но и масштабом его создания. Ключевой компонент проекта, ранее написанный на языке Zig, был полностью переписан на Rust. Этот процесс потребовал создания более миллиона новых строк кода.
Смена языка программирования вызвала бурные обсуждения в профессиональном сообществе. Однако за внешним лоском скрывается гораздо более глубокое явление: история этой миграции демонстрирует, как искусственный интеллект начинает перераспределять роли между разработчиком и кодом. Мы перешли от эпохи, где программист пишет каждую строчку и вручную проверяет её коллегами, к эпохе, где ИИ-агенты создают сложное, работающее ПО, а человек выступает архитектором и верификатором результатов.
От ручного кода к управляемому процессу
Основатель сообщества Paul Dix описывает этот переход как «конец программирования в привычном смысле». Это не означает исчезновение разработки, а трансформацию процесса создания программного обеспечения. Ручное написание кода, за которым следует детальный ручной ревью, постепенно уходит в прошлое.
Вместо этого мы движемся к модели, где ИИ-агенты генерируют лавину программного кода. Люди в этом процессе перестают читать код строка за строку. Вместо этого они проверяют конечный результат — работает ли система, соответствует ли она требованиям и является ли она надежной. Программного обеспечения станет больше, чем когда-либо, но большую часть из него никогда не прочитает ни один человек.
Конечно, этот путь несет риски. Вместе с огромным количеством качественного ПО появится и значительное количество «мусора»: некачественного, глючного или бесполезного кода, не соответствующего высоким стандартам разработки. Однако будут и те проекты, которые будут прекрасно решать реальные задачи, хотя их внутренний механизм останется для людей неопознанным.
Кейс Bun 1.4: масштаб и стоимость скорости
Подробности миграции движка Bun, о которых рассказал разработчик Джаррэд Самнер, иллюстрируют возможности современных систем на базе моделей уровня Fable. Самнер, работавший с пре-релизной версией модели, смог завершить переписывание базы кода за рекордные 11 дней.
В ходе работы несколько ИИ-агентов параллельно выполняли задачи перевода кода с Zig на Rust. Статистика результата впечатляет: * Объем работ: 6 778 коммитов за 11 дней. * Стоимость: Потребление токенов оценивается примерно в 165 000 долларов по стандартным рыночным ценам API.
Этот пример задает вопрос на будущее: станут ли подобные ресурсы доступными для всех, или это останется прерогативой компаний с неограниченным бюджетом. Самнер предполагает, что доступ к таким мощным моделям (как гипотетический Mythos) станет нормой ближе к концу 2026 года.
*«Если выстроить систему верификации и задать правильное направление, ИИ способен создать сложный, высококлассный программный продукт и продолжать его улучшать до тех пор, пока всё не заработает»* — отмечает Paul Dix.
В отличие от прошлого, где разработчики Anthropic и OpenAI уже сейчас выпускают десятки PR-запросов в неделю, полагаясь на автоматизацию, обычные разработчики пока ограничены лимитами доступа. Но отрыв между ними сокращается. Ближайшее будущее — это переход от проверки каждой строки кода к созданию систем, которые сами себя проверяют.
Личный опыт: от прототипа до готового продукта
Автор статьи, опираясь на собственный опыт работы с моделью Fable, демонстрирует, как этот процесс выглядит на практике. Он приводит два примера создания сложных функций для системы InfluxDB, которые ранее не существовали в официальном релизе.
Пример 1: Интеграция с Iceberg Задача заключалась в создании сложной функциональности для доступа к данным через внешние хранилища (REST API, S3, Glue). Это потребовало реализации тысяч строк кода, включая API, CLI, компактор и системы тестирования. * Процесс: Автор описал архитектуру и требования, а затем дал указание модели действовать через субагентов. Код-ревью и контроль осуществлялись автоматически. * Результат: Через 14 часов была готова рабочая версия. Последующее сквозное тестирование с реальным кластером и внешней базой данных выявило несколько багов, которые модель исправла самостоятельно.
Пример 2: Система репликации данных Второй кейс касался создания системы репликации данных с граничных узлов в центральный кластер. Это включало разработку API, CLI, обновлений компактора, системы метрик и UI для мониторинга. * Процесс: Совместная разработка дизайна и архитектуры, за которой последовала реализация с последующим развертыванием в тестовой среде AWS. * Результат: За 28 часов была создана реализация с основной функциональностью. После нескольких итераций исправления багов система стабильно работала несколько месяцев. В качестве финального бонуса модель даже нагенерировала пользовательский интерфейс для отображения скорости передачи данных.
Важно понимать: хотя эти проекты были созданы в рамках еженедельного лимита токенов, они уже являются работающим программным обеспечением. В условиях неограниченного доступа и бесконечных циклов улучшения (как в случае с движком Bun), подобные проекты эволюционируют в полноценные production-ready продукты.
Ближайшее будущее для разработчиков
Тенденция очевидна: лучшие модели интеллекта становятся доступнее и мощнее. Если год назад мы обсуждали возможности Opus 4.1 и GPT-5, то сегодня уже вышли модели уровня Opus 4.5 и GPT 5.2, которые кардинально изменили подход к созданию функций.
Прогнозы указывают на то, что к концу этого или началу следующего года появятся модели (подобные будущей Astra от OpenAI), способные сопоставимо работать с текущими frontier-моделями. Это откроет возможность создавать любые функции программного обеспечения, где система сама будет тестировать и верифицировать код.
Производство ПО ускорится до предела, до которого готовы принимать код люди. Ключевой вопрос сместится: что именно вы хотите выпустить, а не как написать код. Организационная инерция сохранит традиционные методы в компаниях еще на несколько лет, но наиболее продуктивные разработчики уже сейчас учатся управлять ИИ-фабриками.
Через год или два мы увидим широкий доступ к системам, способным генерировать код в десятки раз быстрее и дешевле. К концу следующего года работающий ИИ-интеллект станет инструментом полноценного рабочего дня для большинства программистов.
Таким образом, «конец программирования» наступит не как исчезновение профессии, а как переход к управлению кодом. Программного обеспечения, созданного ИИ, станет больше, чем написанного руками, и это изменит лицо технологической индустрии навсегда.