В блоге GitHub опубликована заметка, которая выделяется на фоне непрерывного потока новых AI-функций, MCP-серверов и «уникальных промптов». Автор, инженер, работающий с AI ежедневно, предлагает вернуться к основам: вместо того чтобы гоняться за каждым новым инструментом, достаточно освоить одну «упряжку» (harness) — GitHub Copilot, и использовать её в простом, но эффективном цикле «прототипирование — планирование — реализация — ревью». Запись ориентирована на разработчиков, которые уже испытывают усталость от информационного шума вокруг AI и хотят получить практический результат без лишней конфигурации.
Проблема: информационный шум и «слоп»
Автор прямо заявляет: «Каждый день появляется новый инструмент, новый MCP, новая модель, новый навык, новый рабочий процесс. И каждый раз кто-то пишет: “Я полностью разобрался с AI с помощью одного странного промпта”. Я в это не верю». По его наблюдениям, реальный прирост продуктивности даёт не установка десятка плагинов, а умение работать с одним инструментом — «упряжкой». При этом он признаёт, что навыки, MCP и кастомные агенты пригодятся позже, но для старта они не обязательны.
Отдельно подчёркивается проблема «слопа» (slop) — низкокачественных навыков, которые AI генерирует по первому запросу. Если попросить агента создать навык для чего угодно, он «с радостью это сделает», но работоспособность такого навыка может быть случайной, а публикация в реестрах — практически автоматической. Читателям советуют не доверять слепо сгенерированным решениям.
Выбор инструмента: ближе к «упряжке»
В экосистеме GitHub Copilot существует несколько вариантов: CLI, новое приложение GitHub Copilot, расширения для VS Code, Visual Studio, JetBrains. Автор рекомендует новичкам начинать с CLI — «терминальный интерфейс, почти нет UI, простой текст». В статье демонстрация ведётся на новом приложении GitHub Copilot, но подчёркивается, что «упряжка» везде одна и та же.
Ключевое условие для высокой продуктивности — YOLO-режим, при котором агент выполняет команды без запроса подтверждения. Если каждый шаг нужно утверждать вручную, «лучше сделай сам», пишет автор. Однако YOLO-режим требует осторожности: не стоит запускать агента на локальной машине, особенно на рабочих системах, где есть приватные данные. В качестве безопасного окружения предлагаются GitHub Codespaces или dev-контейнеры.
Прототипирование: от моков до API
Один из главных практических советов — использовать AI для быстрого прототипирования. В статье приводятся два примера.
Первый: создание веб-компонента для выбора даты. Вместо того чтобы писать код сразу, попросите AI сгенерировать 20 моков в одном HTML-файле. Среди сгенерированных вариантов может оказаться неожиданно удачный — например, с началом выбора с года, а не с месяца. Это позволяет обнаружить нюансы до того, как потрачены часы на реализацию.
Второй пример: визуальный прототип нового API-эндпоинта для скачивания аналитики. GitHub Copilot App поддерживает диаграммы Mermaid, поэтому агент может отобразить пять разных способов реализации эндпоинта в виде схемы. Прототипирование, по мнению автора, помогает избежать переделок и экономит токены.
Выбор модели и экономия токенов
Для повседневной работы рекомендуется использовать модель среднего размера, такую как GPT 5.6 Terra или Claude Sonnet, со средним уровнем рассуждений. Важно не менять модель и уровень рассуждений в рамках одной задачи — тогда срабатывает кеширование промптов, что даёт скидку на последующие запросы. Это практический совет для тех, кто работает с платными API.
Ключевые факты
| Факт | Детали |
|---|---|
| Основная идея | Для продуктивной работы с AI достаточно освоить один инструмент — GitHub Copilot («упряжку») |
| Рекомендуемый режим | YOLO (Allow All) для автономной работы агента |
| Безопасность | Запускать агента в песочнице (Codespaces или dev-контейнеры) |
| Экономия токенов | Не менять модель и уровень reasoning в рамках одной задачи — использовать кеширование |
Что это значит для читателей
Запись в блоге GitHub — не сенсация, а скорее антидот против хайпа. Для аудитории Comrad404, которая следит за практическими инструментами AI, этот подход может быть полезен как методологическая рамка: не гнаться за каждым новым MCP, а сначала наладить базовый цикл с одним агентом. Особенно ценен совет про прототипирование — он напрямую применим в работе с любыми AI-агентами, а не только с Copilot.
Источник: GitHub Blog, пост «The harness is all you need (mostly)», https://github.blog/ai-and-ml/github-copilot/the-harness-is-all-you-need-mostly/