Экономическая выгода рефакторинга в эпоху AI-агентов
Anthropic
Cursor
OpenAI
Эксперимент показал, что рефакторинг кодовой базы, созданной AI-агентами, может значительно снизить расход входных токенов при выполнении типовых задач. В тесте на Rust-проекте с монолитным файлом на 17 тысяч строк удалось сократить входные токены на 83% после структурирования кода.
Автор, использующий AI-агентов для разработки, написал веб-приложение на 150 тысяч строк кода, из которых 120 тысяч на Rust. В процессе обнаружилось, что слой доступа к данным разросся до 17 155 строк в одном файле. Был проведен эксперимент по рефакторингу этого монолита с помощью Claude. Каждый шаг рефакторинга сопровождался запуском свежего субагента с одинаковым промптом для типового изменения, чтобы измерить расход токенов. Входные токены на задачу упали с 159 564 до 27 360, что составляет экономию 83%. В денежном выражении при цене Sonnet 5 $3 за миллион входных токенов экономия составила 39,7 цента на задачу. Основная причина — агенту приходилось читать меньше кода. Однако сам рефакторинг стоил около 5 миллионов токенов, а эксперимент проводился на новом проекте без legacy-кода, поэтому выводы ограничены.
- Abbreviations
- LOC = Lines of Code — строки кода
- DSL = Domain-Specific Language — предметно-ориентированный язык
Source: Habr — хаб ИИ —
original
