К 2026 году автодополнение строки перестало быть главным сценарием. Основной режим работы — агентный: модель читает репозиторий, планирует правку, меняет несколько файлов, запускает тесты и объясняет diff. Поэтому выбор инструмента всё меньше зависит от качества подсказок и всё больше — от контекста, который вы готовы ему отдать.

Что изменилось по существу

Контекстные окна выросли до сотен тысяч токенов, но узкое место осталось прежним — ретрив. Найти нужные пять файлов из пятидесяти тысяч сложнее, чем удержать их в окне. Отсюда бум индексации репозиториев, эмбеддингов и стандарта MCP для подключения инструментов к модели.

Второе изменение — экономика. Инференс подешевел, но подписки остались, а требования ИБ ужесточились. Для команд, работающих с госсектором и финтехом, вопрос «куда уходит код» стал блокирующим, а не дискуссионным.

Copilot: экосистема и её пределы

GitHub Copilot превратился в платформу: выбор модели (GPT, Claude, Gemini), агент в CLI, автоматический code review, интеграция с Actions. Сильные стороны — глубокая связка с GitHub, корпоративные политики, юридические гарантии по сгенерированному коду.

Ограничения тоже понятны. Контекст ограничен настройками организации, а не только возможностями модели. Для закрытых репозиториев нужен enterprise-план с отключённым обучением на ваших данных — иначе код фактически уходит наружу.

Cursor: ставка на агентный режим

Cursor — форк VS Code, где агент встроен в ядро редактора: Composer для многофайловых правок, отдельная Tab-модель для быстрых изменений, индексация проекта, правила в .cursorrules. На задачах вида «переписать модуль на новый API» он часто быстрее облачных плагинов.

Слабые места — предсказуемость на больших монорепозиториях и стоимость при интенсивной работе. Privacy mode есть, но полноценного on-prem развёртывания нет: для контуров с жёсткими требованиями это принципиально.

Локальные альтернативы: когда код не выходит наружу

Открытые кодеры — Qwen-Coder, DeepSeek-Coder, Codestral, GLM — на 30–70B параметров при квантовании дают результат, близкий к топовым облачным моделям на типовых задачах: рефакторинг, генерация тестов, миграции, разбор legacy. Разрыв остаётся на длинных агентных цепочках, но он сокращается каждый квартал.

Рабочий стек выглядит так: Ollama или LM Studio для отдельного разработчика, vLLM на сервере для команды, Tabby или Continue как клиент, RAG-индекс по кодовой базе поверх всего. На команду 10–20 человек достаточно одной-двух GPU — это дешевле, чем кажется, если считать не железо, а утечку архитектуры.

В российской практике сложилось два лагеря: GigaCode и Yandex Code Assist как готовые сервисы, и self-hosted сборки на открытых моделях у интеграторов. Второй путь выбирают там, где нужен полный контроль над логами и данными.

Практические шаги

1. Замерьте baseline: доля принятых подсказок, время на ревью, количество откатов. Без цифр выбор инструмента превращается во вкусовщину.
2. Разделите потоки: публичный и опенсорсный код — в облако, продуктовый — локально.
3. Запустите пилот на 2–4 недели: Continue или Tabby плюс Qwen-Coder 32B на одной GPU.
4. Соберите RAG-индекс по репозиторию. Без него локальная модель стабильно проигрывает облачной, и вывод будет ложным.
5. Зафиксируйте политику: что уходит наружу, как хранятся логи, как проверяются лицензии сгенерированного кода.

Как мы можем помочь

Мы разворачиваем приватные LLM и кодовых ассистентов в контуре заказчика: подбираем модель под задачу, настраиваем vLLM и RAG по вашему репозиторию, подключаем агентов к Git, CI и внутренним системам. Начинаем с аудита и пилота на вашем коде, чтобы решение принималось по метрикам, а не по демо. Обсудить проект