Как работают AI-агенты для программистов: поиск кода, индексы и эффективность

Сегодня у меня в гостях Дмитрий Коваленко, инженер, который глубоко погрузился в тему AI-агентов и оказался в центре одной из самых неожиданных точек роста современной разработки, связанной с файловым поиском. Мы обсудили, почему в эпоху агентов привычные инструменты вроде ripgrep начинают давать сбой и как меняется сама природа поиска, когда вместо человека код исследует система, выполняющая десятки запросов подряд без памяти и контекста. Полезные ссылки: Также разобрали, как на самом деле работают AI-агенты. Обсудили, почему их базовая операция сводится к поиску файлов и генерации диффов, зачем нужен stateful-поиск и почему каждый лишний tool call превращается не просто в оверхед, а в прямые затраты денег и рост latency. Подробно прошлись по архитектуре, включая SIMD, индексы, биграммы, sparse-подходы и попытки переосмыслить классический full-text search под новые сценарии. Затронули и более широкий контекст: — почему LSP может оказаться не нужен агентам — как устроены MCP и tool calls под капотом — зачем агентам дополнительный контекст (git status, definitions) — почему UX таких систем не только инженерная задача, но и продуктовая — почему терминальные UI до сих пор боль — куда движутся OpenCode, Cursor и Code Agents — почему большие компании, вероятно, всё равно победят — и как меняется роль разработчика, когда код всё чаще пишет не он В этом видео: 00:00 — Как один токсичный твит привёл к интеграции в OpenCode 01:14 — Почему никто по-настоящему не понимает, как...