Ключевые выводы и инсайты
- Представлен эффективный рабочий процесс с использованием Cloud Code и GitHub, основанный на четырех фазах SDLC: планирование, создание, тестирование и деплой.
- Главная ценность — детальное планирование и дробление больших задач на мелкие атомарные шаги, что улучшает качество и управляемость разработки.
- Интеграция AI-ассистента (Claude Code) с GitHub CLI и Puppeteer позволяет автоматизировать создание, тестирование и деплой кода.
- Важна роль человека в уточнении требований, ревью кода и принятии решений, что подтверждает необходимость совместной работы человека и AI.
- Использование GitHub flow, проверенного временем рабочего процесса, адаптированного для взаимодействия с AI.
- Тестирование и CI/CD (GitHub Actions) — ключевые элементы, обеспечивающие надежность и стабильность кода, написанного AI.
- Практика использования AI для написания коммитов и PR с последующим ревью человеком помогает ускорить процесс, сохраняя контроль качества.
- Очистка контекста работы AI после завершения задачи помогает работать с каждым issue "с нуля" и экономить токены.
- Работа с несколькими параллельными ветками (work trees) возможна, но может потребовать дополнительного контроля и не всегда оправдана на ранних этапах проекта.
Практические стратегии
- Создавайте GitHub issues для всех задач с максимально детальным и атомарным описанием.
- Используйте Cloud Code slash-команды для автоматизации обработки issues по этапам: планирование, написание кода, тестирование, деплой.
- Для взаимодействия Cloud Code с GitHub используйте GitHub CLI, установленный в среде.
- На этапе планирования применяйте scratch pads для разбивки задачи на мелкие подзадачи и поиска предыдущих PR по теме.
- Внедряйте тестирование через встроенный тестовый фреймворк (например, Rails) и автоматизируйте запуск тестов в CI (GitHub Actions).
- Используйте Puppeteer для автоматизированного тестирования UI путем симуляции кликов и взаимодействий в браузере.
- Делегируйте AI создание кода, коммитов и открытие pull requests, но всегда проводите ревью и оставляйте комментарии.
- Для ревью кода можно использовать отдельную slash-команду с «стилем» известного эксперта (например, Sandy Mets) для улучшения читаемости и поддержки кода.
- После завершения работы по issue используйте /clear для очистки контекста Cloud Code, чтобы избежать накопления лишной информации.
- Не злоупотребляйте параллельной работой с work trees, если проект небольшой и задачи тесно связаны.
Конкретные детали и примеры
- Автор проекта начал с диктовки требований через Super Whisper, затем сформировал требования совместно с Claude, а из них создал GitHub issues.
- В проекте создано 30–40 issues, которые пришлось детализировать и уточнять, чтобы достичь хороших результатов.
- Используется Rails (MVC-фреймворк) для удобства модульного кода и интегрированной системы тестирования.
- Puppeteer подключен через локальный MCP сервер для UI-тестирования.
- CI настроен через GitHub Actions, автоматически запускающий тесты и линтер при каждом коммите.
- Для ревью PR используется AI с командой, настроенной под стиль Sandy Mets.
- Автор приобрел план Claude Max ($200/мес) для неограниченного доступа к API.
- Пример комментариев в процессе ревью: “Это не совсем то, что я хотел”, “Пожалуйста, переделай”.
Предупреждения и распространённые ошибки
- Не стоит сразу переходить к написанию кода из созданных issues без их детальной проработки и дробления — это приведет к плохому качеству.
- Излишняя доверчивость к AI при коммитах без ревью может привести к ошибкам.
- Использование GitHub Actions для запуска Claude на большие задачи может привести к высоким счетам за API.
- Работа с несколькими work trees требует постоянного подтверждения разрешений, что усложняет процесс и увеличивает нагрузку на разработчика.
- Игнорирование тестов и CI приводит к частым поломкам при изменениях.
- Переоценка параллельной работы с AI без четкого разделения задач усложняет управление конфликтами и процессом.
Ресурсы и дальнейшие шаги
- Рекомендуется прочитать статью Thomas Tacic «All of My AI skeptic friends are nuts» для понимания этики и практик AI-кодирования.
- Использовать GitHub CLI для интеграции AI с репозиторием.
- Ознакомиться с документацией и best practices по Cloud Code и slash-командам от Anthropic.
- Посмотреть видео автора по «Claude Code pro tips» для углубленного понимания работы с AI.
- Настроить тестирование и CI/CD с использованием GitHub Actions и Puppeteer.
- Практиковать ревью AI-кода с помощью специализированных prompt-стилей для улучшения качества.
- Следить за балансом между автоматизацией и ручным контролем в процессе разработки.
Основные темы
- Использование Cloud Code и GitHub для AI-ассистированного веб-разработки.
- Рабочий процесс на основе четырех фаз SDLC: планирование, создание, тестирование, деплой.
- Важность детализированных GitHub issues и их дробления.
- Интеграция с GitHub CLI и использование slash-команд для управления AI.
- Автоматизация тестирования с использованием Rails и Puppeteer.
- CI/CD через GitHub Actions и автоматический запуск тестов.
- Роль человека в ревью AI-кода и контроле качества.
- Управление контекстом AI с помощью очистки окна (/clear).
- Особенности работы с параллельными work trees и их ограничения.
- Практические советы и ошибки при использовании AI для кодирования.