Лучшие программисты не просто немного лучше хороших. Они на порядок лучше, независимо от критериев: концептуальная креативность, скорость, изобретательность дизайна или способность решать проблемы, — Рэндалл Э. Стросс, «Путь Microsoft»
В ноябре прошлого года я потратил целый день на написание ViewModel для экрана профиля пользователя. Управление состоянием, обработка ошибок, логика повторных попыток, внедрение Hilt — вся необходимая настройка для продакшена. Четыре часа работы, 280 строк кода на Kotlin.
На следующей неделе я описал те же требования ИИ-помощнику в структурированном запросе. Проверил и адаптировал результат. Выпустил за 47 минут.
Та же архитектура. Те же шаблоны. То же качество кода после проверки. Но я вернул себе три часа жизни.
Этот момент изменил мой подход к разработке Android-приложений. Не потому, что ИИ написал идеальный код — это не так — а потому, что он избавил меня от часов, потраченных на перевод уже известных архитектурных паттернов в шаблонный код, который я писал сотни раз до этого.
Вот что именно я изменил, какие инструменты использовал и где ИИ по-прежнему терпит неудачу.
Проблема: 30% вашего рабочего дня не приносит никаких результатов
Вот как выглядит типичный рабочий день Android-разработчика:
- Написание шаблонного кода
ViewModel+Repository+DAOв 50-й раз - Поиск на Stack Overflow того самого граничного случая жизненного цикла фрагмента
- Отладка
LaunchedEffect, который срабатывает дважды при ротации - Написание модульных тестов, которые повторяют один и тот же шаблон настройки моков в 20 файлах
- Превращение Java-класса в идиоматический Kotlin (снова)
Опрос GitHub 2023 года показал, что разработчики тратят 28% своего времени на повторяющиеся задачи, которые не приводят к поставке новых функций. В частности, в Android эта цифра возрастает из-за площади платформы — управление жизненным циклом, изменения конфигурации, потоки разрешений, фоновые API.
Старый рабочий процесс выглядел так:
Read spec → Search for similar code → Copy from Stack Overflow → Modify for your project → Debug → Test → Repeat
Версия с поддержкой ИИ:
Read spec → Describe what you need with project context → Review generated code → Adapt → Test → Ship
Разница не волшебная. Дело в внедрении контекста — вы предоставляете ИИ свою архитектуру, шаблоны, ограничения — и позволяете ему обрабатывать преобразование из «того, что я хочу» в «код, подходящий для моей кодовой базы».
Как выглядит внедрение контекста на практике
ИИ-помощники не знают ваш проект. Общий запрос типа «Как получить данные из API?» выдает общий код, который вы не сможете использовать.
Вот что выдает пригодный для использования результат.
Неясный промпт:
How do I fetch data from an API?
Контекстно-ориентированный промпт, генерирующий готовый к выпуску код:
I need a ViewModel that: - Fetches user profile data using Retrofit - Uses Hilt for dependency injection - Manages loading, success, and error states with sealed classes - Implements retry logic (3 attempts, exponential backoff) - Follows our MVVM + Repository pattern Our repository layer uses: - Retrofit 2.9 for API calls - Room 2.6 for local caching - DataStore for preferences - Kotlin coroutines with viewModelScope Generate the ViewModel with proper error handling.
Второй промпт генерирует код, который я могу просмотреть, подправить и смерджить за 15 минут. Первый же генерирует туториал, которое мне еще предстоит переписать с нуля.
Шаблон: сообщите ИИ свою архитектуру, свой стек и свои ограничения — затем запросите конкретный фрагмент кода.
Три примера использования, где ИИ сэкономил мне часы
1. Разработка функции: процесс аутентификации за 90 минут
Моей команде требовался процесс входа/регистрации: два экрана, хранилище токенов, биометрическая разблокировка, обновление сессии.
Я описал каждый компонент в контексте нашего проекта. ИИ сгенерировал:
LoginViewModelиSignupViewModelс классами с sealed состояниямиAuthRepositoryс зашифрованной обработкой токенов с использованиемEncryptedSharedPreferences- Compose экраны с состояниями загрузки/ошибки
- Настройка биометрического запроса с помощью
BiometricManager
Общее время: 90 минут от спецификации до запроса на слияние.
Предыдущий базовый показатель для аналогичных функций: 5–6 часов. Это сокращение на 70% — не потому, что ИИ написал идеальный код, а потому, что он обработал структурный шаблон, пока я сосредоточился на бизнес-логике и граничных случаях.
2. Миграция устаревшего кода: Java в Kotlin + Compose
У нас был вспомогательный модуль на Java объемом 4000 строк кода 2019 года. Его ручная конвертация заняла бы целый спринт.
Я передал Claude разделы с инструкциями: «Преобразовать в идиоматический Kotlin. Заменить AsyncTask на корутины. Заменить Handler(Looper.getMainLooper()) на Dispatchers.Main. Отметить все устаревшие API».
ИИ обнаружил три случая использования AsyncTask, два шаблона IntentService (заменены на WorkManager) и один вызов LocalBroadcastManager. Каждая конвертация сопровождалась объяснением того, почему старый шаблон устарел.
Мы завершили миграцию за 3 дня вместо предполагаемых 2 недель. На 85% быстрее.
3. Расследование ошибки: утечка памяти в продакшене
Система отслеживания сбоев обнаружила утечку памяти, связанную с фрагментом, содержащим ссылку на RecyclerView.Adapter после onDestroyView.
Я вставил трассировку стека и код фрагмента в ИИ. В течение 30 секунд он определил проблему: ссылка на адаптер не обнулялась в onDestroyView, и ViewBinding поддерживала всю иерархию представлений в активном состоянии.
Он предложил решение, объяснил, почему имеет смысл делать binding = null в onDestroyView, и сгенерировал базовый класс фрагмента, который обрабатывал этот шаблон для всех будущих фрагментов.
Общее время отладки: 8 минут. Моя предыдущая оценка для поиска той же утечки: 2–3 часа.
Где ИИ терпит неудачу (будьте честны в этом вопросе)
ИИ — это не senior-разработчик. Вот где он постоянно терпит неудачу:
- Архитектурные решения — Он будет генерировать код для любого описанного вами шаблона, даже если этот шаблон не подходит для вашего случая. Он не будет возражать и говорить: «Здесь следует использовать
StateFlowвместоLiveData», если вы его об этом не попросите. - Ключевой для производительности код — Он генерирует функционально корректный код Compose, который перекомпоновывается 40 раз за кадр. Вам все равно нужно самостоятельно проводить профилирование, измерения и оптимизацию.
- Безопасность — Он будет хранить токены в
SharedPreferences, если вы не укажетеEncryptedSharedPreferences. Он не думает об угрозах. - Ограничения контекстного окна — Передайте ему модуль из 2000 строк, и он потеряет связь с предыдущим кодом. Разбивайте задачи на сфокусированные фрагменты.
- Галлюцинаторные API — Я видел, как он генерировал
Flow.collectAsStateWithLifecycle()с неправильными сигнатурами параметров. Всегда сверяйтесь с официальной документацией.
Правило: ИИ отвечает за «как» — вы отвечаете за «что» и «почему».
Распространенные ошибки при внедрении ИИ
Расплывчатые промпты приводят к созданию мусора. Если вы не укажете свою архитектуру, фреймворк внедрения зависимостей и уровень API, вы получите код, который не подходит для вашего проекта. Потратьте 2 минуты на написание контекста. Это сэкономит 20 минут на переписывании.
Пропуск проверки кода. Сгенерированный ИИ код компилируется. Это не значит, что он правильный. Я обнаружил состояние гонки в репозитории, сгенерированном ИИ, которое привело бы к потере данных при одновременной записи. Проверяйте каждую строку так же тщательно, как вы проверяете запрос на слияние от начинающего инженера.
Использование ИИ для всего. Планирование архитектуры, командная коммуникация, приоритизация спринтов — здесь необходима человеческая оценка. ИИ отлично справляется с переводом известных шаблонов в код. Он не отлично справляется с определением того, какие шаблоны использовать.
Начните работу на этой неделе
Вам не нужен собственный конвейер ИИ. Начните с этих трех шагов:
Шаг 1 — Выберите инструмент. GitHub Copilot для автозавершения кода в IDE, Claude или ChatGPT для генерации кода в диалоговом режиме. Cursor IDE объединяет оба варианта. Ежемесячная стоимость: 10–20 долларов.
Шаг 2 — Опишите контекст вашего проекта. Создайте Markdown файл , описывающий вашу архитектуру, технологический стек, стандарты кодирования и распространенные шаблоны. Вставляйте его в начало каждого диалога. Этот единственный шаг в 10 раз повышает качество результата.
// Example: your project context summary
val projectContext = """
Architecture: MVVM + Repository
DI: Hilt
UI: Jetpack Compose (Material 3)
Networking: Retrofit 2.9 + OkHttp
Database: Room 2.6 with Kotlin Flow
Async: Coroutines + viewModelScope
Min SDK: 28, Target SDK: 35
""".trimIndent()
Шаг 3 — Начните с тестов. Создание модульных тестов — это самый простой и эффективный стартовый шаг. Опишите вашу ViewModel, скопируйте класс, запросите тестовые примеры. За один день вы увеличите покрытие кода с 10% до 60% и более.
Математика, которая убедила мою команду
Почасовая стоимость Senior Android-разработчика: 85-150 долларов Экономия времени в день благодаря ИИ: 2-3 часа Стоимость инструментов ИИ в день: 0,50-3,00 доллара Чистая экономия в день: 170-450 долларов Чистая экономия в месяц: 3400-9000 долларов
Инструмент окупается ещё до обеда в первый же день.
Но реальная выгода не в деньгах, а в концентрации. Когда написание шаблонного кода занимает 15 минут вместо 3 часов, вы можете потратить остаток дня на архитектурные решения, проверку кода и творческую работу, которую ИИ не может выполнить.
ИИ не заменил мои инженерные навыки. Он избавил меня от ежедневной платы за перевод этих навыков в код. Шаблоны уже были у меня в голове. ИИ занимается набором текста.
Какая самая повторяющаяся задача в вашем рабочем процессе Android прямо сейчас? С этого и нужно начать. Попробуйте это на одной функции на этой неделе и измерьте разницу.