Simon Willison выпустил llm-coding-agent 0.1a0 — минималистичный open-source coding-агент, построенный поверх его библиотеки llm. Проект написан Fable 5 через красно-зелёный TDD за одну сессию и сразу отгружен на PyPI как slop-alpha — авторское определение самого Willison'а. Запускается одной командой через uvx.
Контекст
Simon Willison — один из создателей Django и автор Datasette, один из самых внимательных публичных наблюдателей за LLM-экосистемой. Его библиотека llm начиналась как CLI-инструмент для вызова языковых моделей, но постепенно обросла поддержкой tool-calling, хранения контекста и плагинной архитектуры. Результат — полноценный agent framework. Логичный следующий шаг: собственный coding agent поверх этого фундамента.
Сегмент coding agents сейчас в фазе консолидации. Claude Code, Cursor, GitHub Copilot Workspace, Devin — все делают ставку на автономных агентов, которые читают файлы, пишут код и запускают команды. llm-coding-agent заходит с другим углом: максимально прозрачная и хакабельная реализация с полным исходным кодом, без проприетарных обёрток.
Willison дал Fable 5 два конкретных промпта. Первый — написать спецификацию проекта. Второй — реализовать через TDD с коммитами и обновлённой документацией, периодически тестируя вручную. Fable 5 выполнил задачу и по собственной инициативе добавил Python API на базе класса CodingAgent — незапрошенная, но полезная абстракция, которую Willison прямо назвал приятной неожиданностью.
Аналитика
Главный сигнал этого релиза — не сам агент, а как он создан. Fable 5 написал coding-агент в жанре «конкурент Claude Code», используя Claude Code. Два промпта, TDD, структурированные коммиты с тестами и документацией — рабочий open-source проект на PyPI. Это прямая демонстрация сдвига базового уровня возможностей флагманских моделей: порог входа в создание production-quality инструментов стал принципиально другим.
Набор из шести инструментов (read_file, write_file, edit_file, execute_command, list_files, search_files) — минимально необходимый стандарт для coding agent. Интересна реализация edit_file: требует точного совпадения строки включая пробелы, возвращает diff для верификации. Осознанный выбор безопасности против удобства. execute_command с настраиваемым таймаутом до 600 секунд и принудительным завершением всего дерева процессов — продуманная инфраструктурная деталь.
Флаг --yolo (все команды без подтверждения) и --allow с glob-паттернами — прагматичная модель доверия. Разработчик сам решает степень автономии под конкретный контекст. Большинство команд не пойдут на полный yolo-режим, но --allow "pytest*" для прогона тестов — уже приемлемо. Именно такая гранулярность отличает рабочий инструмент от игрушки.
Кейсы применения в бизнесе
B2B SaaS стартап: встроить CodingAgent в CI через Python API. При падении тестов — автоматически запускать агента с задачей исправить конкретный файл, approve=True гарантирует, что изменения уйдут только после ревью. Один цикл фикса занимает минуты вместо часов ручного разбора стека.
Команда с legacy-кодом: использовать llm code --allow "cat*" --allow "grep*" для рефакторинга изолированных модулей. Полная видимость всех команд через логи — критично для аудита. Начать с безопасных задач: добавить типизацию в конкретный файл, написать тесты для существующей функции, сгенерировать docstring по сигнатурам.
Малый бизнес и фрилансеры в КР и СНГ: автоматизировать генерацию boilerplate — CRUD-эндпоинты, миграции, формы. Промпт «создай FastAPI endpoint для сущности Invoice с полями amount и status» при запуске в проектной папке даёт рабочий скелет за минуты. Входной порог — знание uvx и базового Python.
Кейсы в личной жизни
Разработчик: запустить llm code --yolo в рабочем репозитории для рутины — переименование переменных, добавление логирования, генерация типов. Не как замена Claude Code, а как лёгкий терминальный вариант без IDE-контекста и графики.
Студент, изучающий agent frameworks: llm-coding-agent — редкий учебный пример production-quality агента с тестами и документацией. Форкнуть, добавить собственный инструмент (HTTP-запросы, работа с базой, поиск) — конкретный практический проект для понимания архитектуры инструментальных агентов изнутри.
Контент-мейкер и автор: автоматизировать технические части рабочего процесса — скрипты для обработки видео, конвертации форматов, парсинга данных. Описать задачу на естественном языке, агент разберётся с кодом. Не нужно знать Python на глубоком уровне — достаточно понимать, что хочешь получить.
Как применить сегодня
- Запустить агента:
uvx --prerelease=allow --with llm-coding-agent llm code - Попробовать
--yoloв тестовом репозитории для ознакомления с поведением без лишних апрувов - Настроить гранулярный доступ:
--allow "pytest*" --allow "git diff*"— безопасный старт для CI-контекстов - Встроить в автоматизацию через Python API:
CodingAgent(model="...", root="/path", approve=True).run("Fix the failing test in tests/test_parser.py") - Изучить исходники — написано через TDD, структура понятна, легко форкнуть и расширить своими инструментами