AI Coding Agent меняет разработку: как Claude Code и GPT Agent вызывают инструменты и выполняют код через JSON

Коротко

Идея	Одной строкой	Куда падает
Coding Agent	Рантайм, который читает репозиторий, правит файлы и гоняет команды	Agent loop
Claude Code	Локальный Coding Agent в терминале	tool_use JSON
GPT Agent	Код и computer use в сессии / песочнице	tool_calls / code
JSON	Контракт имён, аргументов и результатов	Schema / payload

Сначала разделение: модель заполняет объекты, хост выполняет, цикл делает патчи и тесты непрерывными. Смените бренд — JSON-цепочка вызова останется.

Coding Agent — не чат-окно, которое пишет код

Модель автодополнения заполняет следующую строку. Чат-модель объясняет функцию. Coding Agent — третье: рантайм, который ставит модель в цикл — наблюдать состояние репозитория, предложить шаг, вызвать внешний инструмент, переварить результат, затем продолжить, остановиться или передать человеку.

Поставляемый Coding Agent в 2026 обычно тройка:

• Модель: выдаёт только текст или структурированный объект. Диска не касается.
• Каталог инструментов: читать, править, запускать, искать; иногда браузер или MCP.
• Хост: разобрать JSON, провести ворота, реально выполнить, записать результат в следующий ход.

Если вы всё ещё склеиваете Agent, Tool Calling и Function Calling в одно слово, начните с Полный гид по AI Agent. Эта статья про одну форму продукта: Coding Agent, который работает против настоящего репозитория.

Изменился цикл, не редактор

Десять лет IDE-автодополнение укорачивало набор. Два года чат-окна приблизили дефекты. Coding Agent меняет третье: кто пишет первый запускаемый патч.

Типичный день больше не «люди дописали, потом CI проверил». Чаще так:

1. Человек пишет намерение: починить этот упавший тест или добавить поле в этот API.
2. Агент крутит цикл: читает репозиторий, ищет символы, правит файлы, гоняет тесты, оставляет след вызовов инструментов.
3. Люди смотрят diff и след: не каждый удар по клавише, но типы, тесты и права остаются.

Это не «ИИ делает вашу работу». Первый черновик теперь из цикла; люди держат форму и побочные эффекты. Собрать инструменты и потоки в Schema — см. JSON Schema и потоки AI Agent.

Цикл делает одно: заполняет JSON, затем читает JSON

Страницы продукта пишут «пишет код автономно». В инженерии один ход обычно четыре прыжка:

1. Наблюдение: рабочая область, вывод тестов и последний результат инструмента входят в контекст.
2. Предложение: модель выдаёт имя инструмента и объект аргументов — сама не вызывает open().
3. Выполнение: хост проверяет, гоняет команду или правит файл. Побочные эффекты здесь.
4. Обратная запись: stdout, патч и код выхода становятся следующим видимым объектом.

Пропустите ворота — и JSON станет командой. Держите все четыре прыжка — и получите воспроизводимую сессию. Зачем ИИ нужен JSON Schema уже писал: Schema — это калибр, не «пожалуйста, верни JSON» в промпте.

Claude Code: поверхность инструментов в терминале

Claude Code — локальный Coding Agent Anthropic: он бежит в вашем терминале против текущего репозитория. Со стороны модели — блоки контента Messages API. То, что вы видите каждый день, — поток tool_use.

Поверхность инструментов по умолчанию узкая — и именно поэтому её можно ревьюить:

• Read / Glob / Grep: сначала смотреть, потом править.
• Edit / Write: менять репозиторий точной заменой или записью целого файла.
• Bash: гонять тесты, ставить зависимости, выполнять скрипты.
• MCP: сложить внешние системы в ту же JSON-таблицу инструментов. Подробности в MCP Tool Schema vs Function Calling.

Модель не шлёт абзац «пожалуйста, поправь этот файл». Она шлёт проверяемый объект:

{
  "type": "tool_use",
  "id": "call_read_1",
  "name": "Read",
  "input": {
    "path": "src/billing/refund.py"
  }
}

Когда хост закончил, он тоже пишет объект. stdout может быть длинным; вход всё равно tool_result, не пузырь чата:

{
  "type": "tool_result",
  "tool_use_id": "call_bash_4",
  "content": {
    "stdout": "12 passed, 1 failed",
    "exit_code": 1
  }
}

Auto-mode и ворота подтверждения решают, ждёт ли этот прыжок человека. Выключите ворота — и цикл сам догонит Bash. Поэтому разработка ускорилась, и поэтому вырос радиус аварии. Про поверхность безопасности — Инциденты Claude и JSON инструментов и Безопасность агентов и проверка JSON.

GPT Agent: сессии, песочницы и Function Calling

У стороны OpenAI больше имён: ChatGPT Agent, Codex, Responses API, GPT-6 Astra. Оболочки разные; форма вызова всё ещё Function Calling: объявить tools[], предложить tool_calls, положить строковый объект в arguments.

Вызов, связанный с кодом, выглядит так:

{
  "tool_calls": [{
    "id": "call_7f2a",
    "type": "function",
    "function": {
      "name": "run_code",
      "arguments": "{\"language\":\"python\",\"code\":\"from pathlib import Path\\nprint(Path('src').exists())\"}"
    }
  }]
}

Разница с Claude не в «умеет ли писать код». В том, как собрана поверхность инструментов:

• Интерпретатор кода / песочница: сложить многошаговый расчёт в один run_code или python, чтобы сократить круги.
• Computer use: действия браузера и рабочего стола — другой набор структурированных ходов.
• Codex / CLI: ближе к Coding Agent уровня репозитория; таблица снова становится читать, править, запускать.

Гид по GPT-6 Astra уже назвал ту же дисциплину: надёжнее доводить «выбрать инструмент → вызвать → вернуть объект». Для разработчиков это значит: патчи и вывод тестов должны восстанавливаться из JSON-следа, а не из фразы «я уже починил».

Где код реально бежит? Не внутри модели

Это предложение чаще всего пишут неверно. Большая модель не выполняет Python и не spawn-ит процесс. Она только выдаёт:

• Имя инструмента: Bash, Read, python, apply_patch.
• Объект аргументов: command, path, old_string, code.
• Иногда текст патча: сначала поле, потом хост пишет его на диск.

Код реально гоняет хост: локальный процесс, контейнер или облачная песочница. Права файловой системы и сети — политика хоста, не веса модели. Сжатая Schema инструмента выглядит так:

{
  "name": "Bash",
  "description": "Run a shell command in the workspace",
  "inputSchema": {
    "type": "object",
    "properties": {
      "command": { "type": "string" },
      "timeout_ms": { "type": "integer", "maximum": 120000 }
    },
    "required": ["command"],
    "additionalProperties": false
  }
}

additionalProperties: false — не педантизм. Широкий object даёт модели протащить целевой хост или лишний скрипт. Секреты, cookie и внутренние базы остаются на хосте. В объект аргументов они не входят.

Claude Code против GPT Agent: вы покупаете не одну оболочку

Не умнее / глупее — куда вы вешаете цикл:

Смените бренд — цикл останется. Стабилизируйте контракт инструментов и мир выполнения, не кожу чата. DeepSeek сделал хост заменяемой инфраструктурой — см. DeepSeek Harness и инфраструктура Coding Agent.

Смотреть след, не пузырь

После того как агент написал код, смотрите его как PR коллеги: diff, тесты, права. Лишний слой — след инструментов.

• форматировать tool_use / tool_calls и проверьте, что имя и аргументы — тот прыжок, который вы думали.
• Вытащите извлечь JSONPath поля name, command и path. Не сканируйте прозу глазами.
• JSON Diff со вчерашним зелёным следом. Если цикл поплыл, смотрите таблицу инструментов и форму аргументов, прежде чем винить модель.
• stdout упавшего теста должен быть в следе. «Я починил» — не запись.
• Не вставляйте прод-секреты, дампы клиентов или внутренние URL в публичный форматтер. JSONSort бежит в браузере без загрузки — подходит для этих объектов.

Если след можно собрать заново, сессию можно разобрать. Это цена ввода Coding Agent в командный процесс, не приятный бонус.

Типичные ошибки

• Считать Coding Agent более умным автодополнением. Автодополнение правит строку; агент правит цикл.
• Верить, что модель сама выполнила код. Право выполнения у хоста.
• Смотреть только файловый diff, не JSON инструментов. Команда могла уже выполниться.
• Дать Bash незаполненный чек. Нет cwd, таймаута или сетевых ворот — и цикл есть прод-инцидент.
• Заменять Schema промптом. Контракт должен проверяться.
• Хранить сессию как пузыри чата. Без tool_result нет воспроизводимой записи разработки.

FAQ

Что лучше команде: Claude Code или GPT Agent?

Смотрите мир выполнения. Если репозиторий на вашей машине и нужны MCP плюс локальные тесты, ближе Claude Code или Codex CLI. Если нужны песочные вычисления или computer use в сессии — GPT Agent / Responses. Сначала зафиксируйте Schema инструментов, потом выбирайте оболочку.

Может ли модель тайно выполнить команду, которую я не одобрил?

Модель может только предложить. Выполнится ли — зависит от ворот подтверждения, allowlist и сетевой изоляции на хосте. Auto-mode значит: вы заранее одобрили класс JSON.

Чем это отличается от обычного Function Calling?

Та же форма, другой радиус. Поиск заказа в поддержке обычно только чтение. Инструменты Coding Agent могут менять диск и порождать процессы. Schema, таймауты и аудит должны быть жёстче.

Почему JSON, а не лучший промпт?

Побочные эффекты случаются после разбора объекта. Промпт влияет на то, что заполнит модель; Schema и хост решают, что можно выполнить. При отладке объекты дороже прилагательных.

Пускать ли агента сразу в прод?

Нет. Пусть откроет ветку, прогонит тесты и оставит след. Слияние и релиз остаются человеческими стратегическими воротами. Цикл пишет черновик; ворота выпускают.

Вывод

AI Coding Agent меняет разработку не тем, что редактор лучше угадывает следующую строку, а тем, что «прочитать репозиторий → заполнить JSON инструмента → хост выполняет → записать результат» становится циклом по умолчанию. Claude Code и GPT Agent — две оболочки.

С сегодняшнего дня меньше спорьте, какая модель лучше пишет код. Сначала положите в репозиторий Schema инструментов, мир выполнения и след сессии. Модели сменятся; эта JSON-цепочка вызова должна стабилизироваться первой.

Дальше почитать

• Что такое AI Agent? Полный гид Рантайм, Tool Calling и JSON-контракт
• Что изменил DeepSeek Harness От фреймворка к заменяемому хосту Coding Agent
• MCP Tool Schema vs Function Calling Границы протокола JSON инструментов
• Зачем ИИ нужен JSON Schema Schema / Function Calling / Structured Output
• Безопасность агентов и проверка JSON Что валидация может остановить — и чего нет
• Локальный ящик JSONSort Формат, проверка, Diff
• Все статьи Ещё заметки про JSON и AI-разработку

Журнал: 2026-09-17 Первая публикация