Энтузиаст решил автоматизировать мониторинг лимитов использования Claude API и параметров окружающей среды, создав компактное устройство на популярной платформе ESP32. Этот эксперимент особенно интересен на фоне растущего интереса к edge-вычислениям и IoT-устройствам, где ESP32 занимает лидирующие позиции благодаря балансу производительности и энергоэффективности. В проект вошли три основные функции: отображение квоты API, считывание температуры/влажности через датчик DHT22 с интеграцией в Home Assistant, а также вывод данных о погоде в Нью-Дели. Аппаратная часть состояла из доступных компонентов — платы ESP32 Devkit V1, OLED-экрана SH1106 и тактовой кнопки для переключения режимов, что делает проект воспроизводимым для широкого круга разработчиков.

Три ИИ-ассистента — Antigravity (Gemini 3.1 Pro), Codex (GPT 5.5) и Claude Code — получили идентичное техническое задание, но подошли к решению кардинально по-разному. Antigravity продемонстрировал тщательное планирование, потребовав утверждения многоэтапной стратегии перед написанием кода, что значительно замедлило процесс. Этот подход контрастирует с традиционной практикой embedded-разработки, где важна быстрая итерация и проверка гипотез на реальном железе. Инструмент изначально заявил о невозможности получения данных о лимитах Claude API, пока не получил ссылку на сторонний GitHub-репозиторий с аналогичным решением, что подчеркивает важность контекста для работы современных ИИ.

Codex от OpenAI выбрал неожиданный путь, предложив использовать ESPHome для интеграции с Home Assistant, что усложнило архитектуру проекта. Этот выбор особенно интересен, так как ESPHome обычно применяется для более простых сценариев и не рассчитан на сложную логику взаимодействия с несколькими API. Ассистент предложил костыльное решение с ручным вводом данных о лимитах через виртуальный ползунок в Home Assistant, полностью игнорируя возможность прямого получения информации через API. Несмотря на демонстрацию рабочей схемы подключения компонентов, подход Codex оказался наименее практичным из всех рассмотренных вариантов, что ставит под вопрос эффективность GPT-моделей для специализированных embedded-задач.

Claude Code показал наиболее сбалансированный результат, сразу приступив к генерации кода для ESP32 без излишних теоретических рассуждений. Этот ассистент корректно реализовал взаимодействие с датчиком DHT22 и OLED-экраном, а также предложил несколько вариантов интеграции с Home Assistant. Однако и здесь не обошлось без сложностей — модель потребовала нескольких уточнений для точной настройки отображения данных на экране и оптимизации кода под ограничения микроконтроллера. Эти трудности характерны для всех современных ИИ-ассистентов при работе с аппаратными проектами, где важны не только функциональность, но и эффективное использование ограниченных ресурсов.

Эксперимент наглядно продемонстрировал текущие возможности ИИ-ассистентов в области embedded-разработки. Все три инструмента столкнулись с трудностями при работе с аппаратными ограничениями и специализированными API, что особенно заметно при сравнении с их эффективностью в веб-разработке или анализе данных. Наиболее эффективной стратегией оказалось комбинирование ИИ-генерации кода с ручной доработкой, особенно в части оптимизации под конкретное железо. Проект также выявил важность предоставления ассистентам релевантных примеров — после демонстрации работающего аналога качество предлагаемых решений заметно улучшалось, что указывает на зависимость результатов от качества входных данных.

Для российских разработчиков такие эксперименты особенно актуальны в условиях ограниченного доступа к некоторым зарубежным сервисам и документации. Локальное сообщество уже адаптирует подобные подходы, используя открытые альтернативы вроде Яндекс GPT или SberGPT для аналогичных задач, хотя их эффективность в embedded-разработке пока требует дополнительных исследований. Перспективы развития ИИ-ассистентов в embedded-сфере связаны с улучшением понимания аппаратных ограничений и возможностей интеграции с популярными IoT-платформами. Остаётся открытым вопрос, смогут ли нейросети в ближайшем будущем полностью заменить человека при разработке сложных аппаратно-программных комплексов, или их роль останется вспомогательной, особенно в условиях санкционных ограничений на поставки современного оборудования.

В российском контексте подобные исследования приобретают особую значимость на фоне активного развития отечественных микроконтроллерных платформ и экосистемы интернета вещей. Национальные проекты вроде 'Умного города' и промышленного IoT требуют массового внедрения подобных решений, что делает вопрос автоматизации разработки критически важным. При этом ограниченный доступ к западным облачным ИИ-сервисам стимулирует развитие локальных аналогов, которые, однако, пока уступают в качестве генерации кода для embedded-систем. Ситуация усугубляется дефицитом документации на русском языке и необходимостью адаптировать зарубежные решения под доступные на рынке компоненты.