GitHub: карьера с AI — направлять агентов и резать первый ответ

Код по-прежнему нужен, но GitHub описал, что «сильное исполнение» всё чаще — не скорость набора строк, а чёткая постановка задачи, контекст для модели, ревью сгенерированного кода и решение, что можно в прод. Агенты забирают имплементацию; на вас остаётся итог и технические решения, которые склеивают части вместе.

Пример с новым authentication flow: классика — ветка, код, тесты, pull request. В сценарии с агентами Agent 1 отдаёт auth на ревью, Agent 2 — черновик документации, Agent 3 — тесты; вы задаёте работу, смотрите вывод и решаете, как это собрать.

Три совета

• Направлять AI, а не только пользоваться — описывать задачу, ревьюить результат, определять готовность к релизу.
• Не верить первому ответу — попросить вторую модель покритиковать первую; в GitHub Copilot для планов, кода и тестов есть Rubber Duck agent.
• Отдать AI больше кода и высвободить время на проблему клиента, архитектурные компромиссы, доступность и метрики успеха.

Во втором совете гоняют SQL «каждый последний заказ клиента»: первая модель пишет запрос, вторая ловит дубликаты timestamps, отсутствие рекомендации по индексу и слабую производительность на больших таблицах. Итог: доверять AI достаточно, чтобы пользоваться, но не настолько, чтобы пропускать ревью.

Третий — issue #4821 «Add dark mode»: AI закрывает build, tests и docs, а у разработчика в чеклисте — проверка проблемы клиента, архитектурные компромиссы, доступность, метрики успеха и финальное одобрение решения.

Источник: AI is rewriting the developer career ladder. Here’s how to stand out..