Как я стал кодить с Claude в 5 раз эффективнее с AI Factory

Расскажу про инструмент, который я создал для ускорения настройки проекта для его эффективной работы с AI агентом (в моём случае Claude Code). Я долгое время работал с SpecKit - крутой проект ( даже написал статью про него ). Мне он очень помогал в работе и дал понимание работы с LLM. Но со временем я начал замечать недостатки, которые начали напрягать всё сильнее.

Проблема

Перед началом работы с ИИ-агентом над проектом мой стандартный сценарий выглядит так:

1. Организация работы

• Ресерч темы

• Планирование (я работал с SpecKit): объяснять агенту структуру проекта, описывать стэк и правила работы, составление планов и их проверки

2. Настройка skills

• Искать подходящие skills на skills.sh

• Копировать в .claude/skills/

• Если нужного skill нет - писать с нуля (ну генерировать если быть точнее)

3. Конфигурация MCP серверов

• Открывать .claude/settings.local.json и прописывать MCP серверы

• Добавлять переменные окружения

Итог: 30-60 минут настройки перед началом реальной работы (в смысле вайб-кодинга). Постепенно я стал автоматизировать процессы и это постепенно переросло в проект AI factory.

Что решает AI Factory

Автоматизация настройки:

• ai-factory init → интерактивно настраивает все за 2-3 минуты

• Сканирует существующий проект (package.json, composer.json, requirements.txt)

• Определяет стэк и скачивает подходящие skills с skills.sh

• Генерирует недостающие skills под ваш проект

• Конфигурирует MCP серверы по выбору Результат: от 30-60 минут настройки до 5-10 минут.

Единый контекст:

• .ai-factory/DESCRIPTION.md - всегда актуальная спецификация проекта для контекста агенту - не нужно повторять объяснения над чем работаем в каждом чате

Структурированный workflow:

• Четкие команды: /task для быстрых задач, /feature для больших фич, /fix для багов

• Автоматические планы и чекпоинты

• Conventional commits из коробки

Система обучения:

• Каждый фикс создает патч с описанием проблемы

• Следующие задачи учитывают прошлые ошибки

• /evolve улучшает skills на основе опыта проекта

AI Factory

Идея проста: минимум настройки, преимущество использования спецификаций для контекста LLM и качество кода c MCP+суб-агентами со скиллзами. Ну и комфорт работы - всё что нужно уже под рукой!

GitHub

Что подтолкнуло к созданию? Опыт работы с SpecKit и OpenSpec. Оба инструмента хороши, но на мой взгляд есть недостатки.

Опыт работы с SpecKit и OpenSpec

Я активно использовал оба инструмента и столкнулся с конкретными проблемами:

SpecKit (от GitHub):

• Избыточная документация: генерирует сотни строк спецификаций, планов и чек-листов. Для небольших задач это overhead

• Жесткий workflow: сложно пропустить шаги вроде тестирования, даже когда это не нужно

• Проблемы контекста: много токенов уходит на работу

• Сложность рефакторинга: когда нужно быстро пофиксить баг, приходится идти через весь цикл /specify → /plan → /tasks → /implement

OpenSpec (более простой):

• Validation баги: часто показывает ошибки валидации, даже когда все правильно. openspec validate и openspec show возвращают противоречивые результаты

• Проблемы с контролем: ИИ иногда игнорирует workflow и начинает реализацию без команды /openspec:apply

• Сложность для больших проектов: неясно, как применять для существующих крупных кодовых баз

Общая проблема обоих:

• Требуют ручной настройки под каждый проект

• Требуют предварительного ресерча темы

• Недостаточная автоматизация генерации skills и подключения MCP

AI Factory учитывает эти моменты и решает их.

Видео обзор AI factory

Для тех, кто больше любит контент в формате видео, записал обзор:

Начало работы

npm install -g ai-factory ai-factory init

При инициализации:

• Интерактивные вопросы о проекте и агенте

• Автоматическая настройка MCP серверов

• Создание конфига .ai-factory.json

Для нового проекта - спросит о стэке. Для существующего - сам проанализирует код и подберет нужное.

Основные команды

Workflow

Для небольших задач:

/ai-factory.task → план → /ai-factory.implement → готово

Для фич:

/ai-factory.feature → ветка + план → /ai-factory.implement → коммиты → готово

Для багов:

/ai-factory.fix → фикс + логирование + патч → готово

Ключевые возможности

1. /ai-factory - настройка контекста

Анализирует проект, определяет стэк, подбирает skills с skills.sh или генерирует новые, конфигурирует необходимые MCP.

2. Feature и Task планирование

/ai-factory.feature - для больших задач с веткой и полным планом.
/ai-factory.task - для быстрых изменений без ветки.

Оба анализируют требования, изучают кодовую базу, создают задачи с зависимостями.

3. /ai-factory.implement - выполнение созданного плана

/ai-factory.implement 5 # работай с задачей #5 если хотим сделать что-то конкретное

Перед началом агент прочитает все патчи из .ai-factory/patches/ - учится на прошлых ошибках.

4. /ai-factory.fix - быстрые фиксы

Делаем, если понятно, что проблема небольшая. Агент изучает проблему, применяет фикс с логированием, создает патч для самообучения. Никаких планов - сразу решение и обучение.

5. /ai-factory.evolve - самообучение skills

/ai-factory.evolve # Все skills /ai-factory.evolve fix # Конкретный skill

Анализирует все патчи, находит паттерны ошибок, улучшает skills с вашего одобрения.

6. /ai-factory.skill-generator

Режим обучения - передайте URL для генерации skills из документации:

/ai-factory.skill-generator https://fastapi.tiangolo.com/tutorial/

Изучает источники, обогащает через поиск, генерирует полноценный кастомные skill.

Система самообучения

Каждый фикс создает патч - документ, который помогает избежать подобных ошибок в будущем.

Цикл обучения:

/fix → баг → фикс → патч → следующий /fix или /implement → читает патчи → лучший код

Структура патча:

• Проблема и причина

• Примененное решение

• Рекомендации по превенции

• Теги для поиска

Периодически запускайте /ai-factory.evolve - инструмент проанализирует накопленные патчи и улучшит skills под ваш проект.

Структура проекта

project/ ├── .claude/skills/ # Skills ├── .ai-factory/ │ ├── DESCRIPTION.md # Спецификация │ ├── PLAN.md # Текущий план │ ├── features/ # Планы фич │ ├── patches/ # Патчи для обучения │ └── evolutions/ # Логи улучшений └── .ai-factory.json # Конфиг

MCP серверы

Поддерживаются GitHub, Postgres, Filesystem. Конфигурация в .claude/settings.local.json.

Best Practices

• Логирование: уровни DEBUG/INFO/WARN/ERROR, контроль через LOG_LEVEL

• Коммиты: чекпоинты каждые 3-5 задач, conventional commits формат

• Тесты: всегда спрашивается перед планом, не добавляется без согласия

Развитие инструмента

После активного использования за несколько дней сделал два релиза (v1.1 и v1.2):

v1.1: улучшенный Skill Generator, режим обучения
v1.2: система патчей, /ai-factory.evolve, организация фич
v1.3. Безопасность превыше всего!
Критически важное обновление - системой защиты от prompt-injection. Скачивая skills с skills.sh, мы доверяем внешним источникам доступ к вашему проекту. Теперь каждый skill проходит обязательное сканирование на 10 категорий угроз - от инъекций и утечек данных до социальной инженерии. Двухуровневая проверка (regex + LLM-анализ намерений) отсекает вредоносный код. /skill-generator scan позволяет проверить любой файл вручную.
Также добавлен новый skill /ai-factory.improve для доработки уже созданных планов - когда понимаешь, что план хорош, но чего-то не хватает.

Конечно же для разработки AI factory я использовал AI factory).

Итог

AI Factory решает конкретные проблемы разработки с ИИ:

✅ Автоматическая настройка под проект
✅ Spec-driven подход с контролем
✅ Самообучение на ошибках
✅ Простой workflow

Отлично подойдёт если вы

• Устали от настроек перед каждым проектом

• Хотите структурированный подход при работе с AI

• Работаете над реальными проектами

• Есть опыт с Claude Code или аналогами

О будущем

У меня теперь появилась команда помощников - экспертов в разных областях. Я делаю проекты, за которые раньше не взялся бы из-за незнания стэка.

Это инструмент. Опыт разработчика важен - часто приходится корректировать предложенные решения. ИИ - это помощник для специалистов, а не замена разработчику.

Ссылки

• GitHub

• AI чат CutCode

Библиотека бесплатная. Вклад и обратная приветствуется.

А у вас есть опыт со spec-driven подходом? Делитесь в комментариях.