😍 Koda в CLI #coming_soon

IDE — это удобно и мощно. Но как ни крути, разработчики всё равно регулярно используют терминал.

Скоро Koda станет доступен и там — в виде CLI-утилиты!

Ставь 🔥 если ждёшь

⭐️ Koda для вайбкодинга

Самое классное для разработчиков — видеть, как их инструмент оживает в чужих руках. А когда о нём ещё и пишут — это вдвойне приятно!

Мы наткнулись на Хабре на статью от пользователя Koda, который пробует себя во фронтенде. Баги упомянутые в статье уже пофиксиили, так что можно читать спокойно 😎

Заодно накиньте плюсов автору — пусть Хабр будет чуть дружелюбнее к новичкам 🤞

📚 https://habr.com/ru/articles/944734/

🔥 Почему новый чат с ИИ — не просто удобство, а необходимость

Может показаться, что нет смысла плодить чаты: зачем, если можно вести всю историю с моделью в одном месте? Но вот в чём нюанс: у каждой LLM есть ограничение на «контекстное окно» — то есть сколько текста она реально может удерживать в голове. У GPT-5 это сотни тысяч токенов, у Gemini и Sonnet вообще миллионы. Звучит круто, но на деле есть нюансы.

Чем длиннее контекст, тем хуже модель рассуждает. Исследования показывают, что при росте истории ответы становятся менее предсказуемыми. В тесте «Find the Origin» модели начинали путаться, когда нужный элемент находился на расстоянии всего в 15 шагов от начала общения. То есть модель видела все данные, но не могла правильно связать их в логическую цепочку.

Именно поэтому длинный чат — это риск получить неправильный ответ. Когда вы держите все задачи в одном диалоге, модель вынуждена пробираться сквозь тонны старых сообщений. Она может «зациклиться» на ненужных деталях, перепутать связи или упустить важное.

Решение простое: создавайте новый чат для новой задачи. Даже если вы продолжаете работать над той же темой, но обсуждение разрослось — проще начать заново и дать модели только актуальные вводные.

Существует еще более продвинутый вариант — prompt-chaining. Берёте результат старого чата, упаковываете его в новый промпт и продолжаете в новом диалоге.

Относитесь к чатам как к Git-веткам. Новая задача = новая ветка. Такой подход может сэкономить время и нервы, и, что важнее, даст модели шанс показать максимум её возможностей.

💥 Как перестать страдать с текстами коммитов

Каждый разработчик знает это чувство: написал кучу кода, всё работает — и тут замираешь над git commit -m "".

Плохие коммиты – это боль. Через месяц вы не поймёте, что вообще меняли, а тимлид на код-ревью не обрадуется коммиту "fix again".

Решение простое: автоматизация. Используйте действие "Сгенерировать текст коммита" от Koda — и получайте нормальный осмысленный месседж.

Больше никаких «asdf» или «final fix» 😉

🌍 Koda в агентном режиме: запросы в интернет

Иногда для решения задачи не хватает локального контекста: в коде и документации нет ответа.

В агентном режиме Koda может выполнить поиск в интернете и вернуть результат прямо в IDE. Эта фича может быть полезна для проверки актуальных версий библиотек, поиска примеров или уточнения деталей спецификаций.

#agent_mode

⚡️ MCP-сервер: как научить ИИ ходить в твои внутренние API

Генеративные модели круто помогают писать код — пока не натыкаются на твои приватные сервисы. Они не видят внутренние API, не знают свежих схем БД и начинают гадать.

Агентный режим частично решает проблему: например, в Koda агент может выйти в интернет и найти нужную инфу. Хочешь, чтобы ИИ реально работал с твоей системой — нужно дать ему мостик. И вот тут появляется MCP-сервер.

Это простой сервер, который ты поднимаешь сам и описываешь в нём, к чему можно ходить. Например, на Java + Spring это выглядело бы следующим образом:

@Service
public class DbTools {
 @Tool(
   name = "db.kpis.topCustomers",
   denoscription = "Топ‑N клиентов по выручке"
 )
 public Map<String, Object> topCustomers() {
  //Получаем актуальную информацию из БД
 }
}

Дальше регистрируешь этот MCP-сервер в Koda, и когда ты спросишь у LLM про клиентов, которые принесли тебе больше всего выручки — Koda запросит данные из твоей базы, используя тул, который ты ей предоставил (см. видео).

Кстати, не обзяательно создавать MCP-сервер самому. Если нужны данные из какого-то популярного сервиса, то почти наверняка у него уже есть MCP-сервер, и надо им только воспользоваться. Вот пример для GitHub:

mcpServers:
  - name: GitHub
    command: docker
    args:
      - "run"
      - "-i"
      - "--rm"
      - "-e"
      - "GITHUB_PERSONAL_ACCESS_TOKEN=token"
      - "ghcr.io/github/github-mcp-server"

И да, шутят, что MCP-серверов сейчас делают больше, чем ими пользуются 😄

Подробнее про MCP | Koda в VS Code | Koda на YouTube

@kodacoderu

Друзья, мы сейчас активно допиливаем Koda. Чтобы понять, движемся ли мы в нужную сторону — нужен ваш фидбек!

Вы уже не раз помогали нам баг-репортами и идеями в чате (@kodacommunity). Теперь хотим собрать побольше фидбека централизовано.

Пройти опрос — 2 минуты, не больше: ссылка

Будем всем крайне благодарны ❤️