Вайб-кодинг, или AI-assisted development, показывает впечатляющие результаты на этапе прототипирования: агент получает текстовое техническое задание и быстро собирает первый рабочий вариант. Однако в корпоративной разработке этого недостаточно — между работающим прототипом и полноценным корпоративным приложением лежит пропасть. В компании Jmix, занимающейся созданием enterprise-фреймворка на Java, решили эту проблему, разработав специализированный харнесс (harness) для ИИ-агентов. Это инженерная обвязка, включающая набор скиллов, инструментов и проверок, которая помогает довести прототип до реально работающей системы. Для строительства такого харнесса используется агентная платформа KodaCode (далее — Koda), которая регулярно прогоняется на бенчмарках и, по оценкам разработчиков, уверенно решает Jmix-задачи, хотя разброс от сессии к сессии сохраняется.

Харнесс строится на шести ключевых составляющих, собранных в KodaCode для Jmix-проектов. Первая составляющая — карта проекта: в репозиторий добавляются файлы README.md и AGENTS.md, которые описывают архитектуру, стек, правила код-стайла и тестирования. Koda читает AGENTS.md в первую очередь, что экономит токены и время, так как агенту не нужно перелопачивать весь проект. Второй элемент — доменные правила, оформленные как навыки (skills). Jmix, будучи высокоуровневым фреймворком с сильной моделью безопасности, не проверяет многие правила на этапе компиляции: код может собираться зелёным, но экран падает в рантайме. Для таких случаев в Koda есть навыки — короткие markdown-файлы с инструкциями под конкретные задачи, например, использование bigDecimalField для денежных полей или работа с @Composition-коллекциями. Разработчики Jmix собрали готовый пакет навыков, который включает главный AGENTS.md и файлы под сущности, экраны, роли, i18n, события и миграции. Каждый навык появился из прогонов, когда ловили агента на конкретных ловушках, и теперь подсказка есть в каждой сессии.

Третья составляющая — подключение свежей документации и IDE через протокол MCP (Model Context Protocol). Самая частая беда автономных агентов — выдумывание несуществующих методов, что приводит к циклическим ошибкам компиляции. Koda использует несколько инструментов: Docs Search для поиска в документации Jmix, Vaadin и Spring Boot; Context7 для доступа к актуальному API; JetBrains-like IDE MCP, показывающий инспекции IDEA, включая ошибки Jmix Studio; и Playwright, открывающий экран в браузере для проверки интерфейса. Важно, что эти каналы встроены в рабочий цикл агента, а не просто подключены — это часть обвязки, которая гарантирует, что агент опирается на факты, а не на догадки. Четвёртый элемент — тесты как спецификация: хорошие тесты описывают ожидаемое поведение приложения, и агент, внося изменения, прогоняет их, получая обратную связь. Это позволяет быстро выявлять сломанные функции и корректировать код.

Пятая составляющая — проверки на выходе, которые отлавливают ошибки, не пойманные навыками. Разработчики Jmix признают, что даже с пакетом навыков агент не становится безошибочным, поэтому они держат под контролем классы задач, на которых он спотыкается чаще. Новые ловушки сначала фиксируются проверками на выходе, а затем записываются правилом в пакет навыков. Шестой элемент — доступность для российских команд. В отличие от Claude Code, Codex, Gemini CLI и Antigravity CLI, которые официально недоступны в России, Koda доступна из страны и может быть взята в работу уже сегодня. Для российских разработчиков это особенно актуально, так как они сталкиваются с ограничениями на использование зарубежных инструментов.

Контекст рынка показывает, что проблема создания корпоративных приложений с помощью ИИ стоит остро не только в России. В мире активно развиваются альтернативные решения, такие как Codex от OpenAI и Gemini CLI от Google, но они ориентированы на общие задачи и не всегда учитывают специфику enterprise-фреймворков. Jmix, напротив, предлагает специализированное решение, которое учитывает особенности Java-разработки, включая модель безопасности, работу с сущностями и экранами. По оценкам разработчиков, с навыками экран куда реже падает на отрисовке, а роли реже расползаются «пошире». При этом AI-guidelines в пакете навыков не привязаны к одной модели: они одинаково помогают и локальным моделям, которые без подсказок галлюцинируют чаще, и фронтирным. Тесты гоняются на разных моделях, чтобы знать, как ИИ-агенты поведут себя в проде у клиентов.

Для российского рынка значение этого подхода трудно переоценить. В условиях, когда зарубежные инструменты недоступны, а отечественные разработчики ищут альтернативы, KodaCode с харнессом под Jmix может стать основой для построения корпоративных приложений. Однако остаются открытые вопросы: насколько эффективна обвязка для проектов, не использующих Jmix, и можно ли адаптировать её для других фреймворков? Разработчики Jmix планируют расширять пакет навыков, добавляя новые ловушки и правила на основе прогонов. Перспективы выглядят многообещающе, но требуется время, чтобы понять, как харнесс поведёт себя в реальных продакшен-средах с разными моделями ИИ. В любом случае, подход Jmix демонстрирует, что ключ к успеху AI-assisted development в enterprise — не в идеальном агенте, а в инженерной обвязке, которая контролирует разброс и не даёт ошибкам попасть в продакшен.