Пост Агент работает по TDD, но делает ли он это с уважением правильно?

Агент работает по TDD, но делает ли он это с уважением правильно? Недавно говорил с коллегой по поводу superpowers и TDD, и возник интересный вопрос. Формально да, процесс идет по TDD - red-green-refactor - пишется тест, он падает, пишется код, тест зеленеет. Но становится ли такой код качественнее, ведь LLM всегда может подогнать код под результат? Давайте посмотрим на основные аргументы в пользу TDD. 1) TDD гарантирует нам, что тесты точно будут, покрытие растет, регрессионные баги находятся на этапе разработки. С AI тесты точно будут, если поставить ей такую цель - через контекст, субагента или навык. Скорость кодирования вырастает, агенту не важно что писать - код или тесты. В этом плане точное следование TDD мало что дает - достаточно явных требований агенту и процедуры их валидации. 2) т.к. тесты пишутся до кода, то код гарантированно выставляет более согласованное и более тестируемое API. Тут TDD помогает, с двумя ремарками: а) модель может смухлевать и подогнать тесты под существующий код. Как с этим бороться - отдельная тема б) если говорить про superpowers - он пишет сразу план с тестами и кодом. Поэтому тот факт, что вначале идет тест, важен, но не так критичен. AI работает в одной сессии, а при разработке человеком - сессии разные, между написанием кода и тестов могут пройти дни. А т.к. сроки ограниченны => плохое API остается навсегда. 3) короткий цикл разработки, быстрая обратная связи, как итог - правильная декомпозиция задач. Это очень важно, и TDD в исполнении AI агента тут помогает собственно AI разработке. Если подзадачи мелкие - на них проще сделать evals (приемочные тесты), не забыть ничего. Некоторые задачи можно распараллелить, если агент это поддерживает И т.об. снизить время ревью человеком и превратить преимущество в скорости кодирования агента в уменьшение Lead Time. Ремарка - блокер тут не только время ревью, но это оно оказывает существенное влияние. 4) благодаря TDD тесты становятся документацией. Исходя из моего опыта с superpowers - "из коробки" это не так, нужно дополнительно настраивать контекст, чтобы тесты были читаемы. И второй ключевой момент - задание evals со стороны разработчика на этапе проектирования. Именно тесты, являющиеся приемочными - лучшая документация. Вывод: да, с AI важность TDD меньше, чем без нее. Но все равно TDD остается полезен если не забывать про evals (приемочные тесты) и донастроить обвязку под читаемость тестов и запрет хаков со стороны модели. Главные плюсы: тесты как документация на основе заданных evals и короткие контролируемые циклы разработки. Т.е. само написание тестов до кода тут не так важно, как качество тестов и написание их в одной сессии с кодом. И да, при таком подходе тесты можно было бы писать после кода в одной сессии. Но зачем?) #ai #ai_agents #tdd