Современное состояние LLM в разработке

Интеграция LLM в рабочий процесс тривиальна и не требует кривой обучения.

LLM не создают готовый к продакшену код и плохо организуют большие кодовые базы.

LLM лучше работают с популярными языками и фреймворками, что подталкивает к мейнстрим-стеку.

Чрезмерное использование LLM может ухудшить навыки разработчика из-за снижения самостоятельного изучения документации.

Агенты LLM — это простая схема вызова API-инструментов с циклированием контекста.

Основные инструменты агентов: навигация по коду, редактирование файлов, shell-команды, веб-поиск и MCP-серверы.

LLM-инструменты нестабильны из-за частых обновлений, изменения цен и недетерминированности.

Модель Claude 4 лидирует в агентских сценариях, Gemini сложна в использовании, GPT 4.1/5 лучше следует строгим инструкциям.

Github Copilot — наиболее экономичен и настраиваем, Claude Code Pro удобен благодаря терминальному интерфейсу, Gemini CLI/Jules нестабильны.

LLM превосходят в Rust благодаря понятным сообщениям компилятора, но в Python требуют строгой типизации.

Оптимальные кейсы применения: стандартизированные задачи, интеграционные тесты, быстрый фикс багов, освоение новых стеков, мелкие утилиты.

Слабые стороны: избыточная сложность кода, дублирование, плохая поддержка сложных фронтенд-компонентов (Flutter).

LLM хорошо подходят для backend с типизацией и тестами и для простых интерфейсов, но не для уникальных сложных требований.