Бен Каменс, автор проекта olddogs.ai, опубликовал подробный разбор, как его команда собрала корпоративный сайт и саму статью силами AI-агентов Claude Code и Codex, добившись «нулевого слопа». Качество здесь подано не как удача, а как результат четырёх воспроизводимых приёмов: генеративные эскизы до кода, сверка скриншотов с мокапом, панель настроек Hero Lab с экспортом JSON обратно агенту и узкие «jig»-приложения под рутину. Весь путь генеративного дизайна опубликован в виде архива из 2460 изображений.
Что произошло
На сайте olddogs.ai вышла статья «How we built olddogs.ai with lots of agents but zero slop», в которой Бен Каменс подробно описал сборку корпоративного проекта агентами Claude Code и Codex — затронуты не только страницы сайта, но и текст самого разбора. Дизайн искали генеративными картинками, а не кодом: агент выдал 34 разных «визуальных мира», из которых выбрали вариант с маяком и дальше доводили его сверкой скриншотов собранной страницы с мокапом; на секцию «Why work with us» ушло 38 вариантов и 7 раундов такой сверки. Следующий приём — Hero Lab, живая dev-панель с параметрами сайта (плотность ячеек 55, заливка 94%, форма плиток round или hex), настройки которой экспортируются одним JSON-блоком и передаются агенту как обычный вход. Рутину вынесли в отдельные «jig»-приложения: ревью 50+ пар картинок собак шло в узком приложении с кнопкой «Copy notes for Codex», которая превращает заметки проверяющего в структурированный ввод для агента. Наконец, завышенные требования: после просьбы «сделай намного быстрее» агент переписал рендерер в GPU-шейдер, кадры выросли с 14 до 117 fps при разрешении 1440×900, а прибавка к размеру составила всего 77 КБ. В конце разбора опубликована мозаика всех 2460 промежуточных изображений, сгенерированных по ходу работы.
Контекст
Дискуссия об агентной разработке обычно качается между полюсами «нейросеть собрала сайт за вечер» и «без человека всё равно ничего не выйдет». Разбор olddogs.ai полезен тем, что фиксирует реальное место человека в такой сборке: качество здесь не следствие удачного промпта, а функция процесса, выстроенного вокруг агента. Генеративные картинки до кода дёшево расширяют пространство поиска на этапе дизайна, петля «скриншот против мокапа» заменяет доверие к самооценке модели итеративной приёмкой с человеческим суждением, JSON-экспорт настроек делает канал «человек настроил — агент применил» машиночитаемым и воспроизводимым, а узкие «jig»-приложения превращают рутинное ревью в дешёвые eval-харнессы, в которых заметки человека упаковываются в структурированный ввод. В такой оптике каждый приём — шаг human-in-the-loop: автономность модели сознательно ограничена, и именно человеческий отбор делает качество. Показательно, что публичный «эталон» сайта, собранного агентами, демонстрирует измеримый инженерный результат, а не только галерею картинок.
Почему это важно для индустрии
Для команд, строящих продукты на Claude Code и Codex, это каталог из четырёх воспроизводимых паттернов, которые можно переносить в собственные пайплайны без ожидания новых инструментов. Эскизы-картинки до кода экономят инженерное время на этапе, когда вёрстка ещё ничего не доказывает; сверка скриншотов с мокапом превращает приёмку результата в управляемую процедуру, а не в финальную рулетку; панель параметров с JSON-экспортом задаёт явный контракт «человек — агент», при котором настройки не теряются в истории диалога; «jig»-приложения дают дешёвый способ формализовать рутинные операции, превращая человеческие заметки в структурированный ввод. Вероятное следствие — инструментализация паттернов: автоматическое сравнение скриншотов с мокапами, шаблоны «jig»-приложений и нормализованная передача JSON-контекста агенту; если это произойдёт, планка ожиданий от агентной web-разработки сместится с «сгенерировал сайт» на «собрал воспроизводимый процесс». Подчеркнём: это прогноз, а не свершившийся факт.
Почему это важно для пользователей
Если вы работаете с Claude Code или Codex, приёмы Каменса можно опробовать в своём проекте уже сегодня. В статье лежат готовые формулировки промптов, которые берутся как шаблоны, и JSON-конфиг Hero Lab, по которому несложно завести у себя панель параметров и передавать агенту настройки одним блоком. Сверку «скриншот против мокапа» можно встроить в любой существующий пайплайн: собрал страницу, снял скриншот, сравнил с мокапом, оформил правки текстом и снова отдал агенту. Под собственную рутину — ревью генеративных картинок, сравнение вариантов, проверку текстов — можно собрать узкое приложение в духе «jig» с кнопкой, которая сразу превращает ваши заметки в промпт для агента. Мозаика из 2460 промежуточных картинок показывает, сколько итераций на самом деле стоит за финальным результатом: для небольших команд и стартапов без бюджета на студию разбор калибрует ожидания и подтверждает, что качественный сайт постижим малой командой, работающей с агентами.
Что пока неизвестно / ограничения
Кейс — полевой, а не методика с метриками, и часть эффектов нуждается в проверке. Цифры по производительности — рост с 14 до 117 fps при 1440×900 и прибавка в 77 КБ — приведены самим автором без описания методики замера и стенда, поэтому их стоит считать точечной оценкой. Один успешный перевод рендерера в GPU-шейдер по одному дерзкому запросу — это n=1: из него не следует общий вывод о том, что завышенные требования заменяют старшую инженерную экспертизу; для такого вывода нужны воспроизводимость и независимое подтверждение. Кроме того, речь идёт о статическом корпоративном сайте с низким риском сбоя, а не о сервисе со SLA, поэтому перенос приёмов на нагруженные или ответственные системы в кейсе не демонстрируется.
Источники
Автор
Look at AI, редакция