Что случилось
12 июня 2026 года разработчик под ником DietrichGebert выложил на GitHub проект Ponytail — набор правил (skill) для ИИ-кодинг-агентов с девизом «Makes your AI agent think like the laziest senior dev in the room. The best code is the code you never wrote» («Заставь агента мыслить как самый ленивый сеньор в команде. Лучший код — тот, который ты не написал»).
Реакция оказалась взрывной: по данным на 21 июня проект собрал 44 190 звёзд и более 2 100 форков — примерно за девять дней, попав на первую страницу GitHub Trending и в чарт Trendshift. К июлю счётчик перевалил за 80 000 звёзд.
Технически Ponytail — это не программа, а свод инструкций, который «вживляется» в агента и заставляет его перед написанием любого кода пройти по «лестнице решений» из семи ступеней:
- Оно вообще нужно? Если нет — не писать (принцип YAGNI).
- Уже есть в кодовой базе? Переиспользовать.
- Есть в стандартной библиотеке? Взять оттуда.
- Есть нативная фича платформы? Использовать её.
- Есть в установленной зависимости? Задействовать.
- Решается одной строкой? Написать одну строку.
- Только в крайнем случае — минимальное рабочее решение.
В комплекте — шесть команд: /ponytail (уровень строгости lite/full/ultra/off), /ponytail-review (ловит переусложнение в диффах), /ponytail-audit (сканирует весь репозиторий), /ponytail-debt (ведёт учёт отложенных упрощений), /ponytail-gain (показывает измеренный эффект) и /ponytail-help. На старте скилл поддерживал около полутора десятков агентов — Claude Code, Codex, GitHub Copilot CLI, Cursor, Gemini CLI, Windsurf, Cline, Aider, Zed и другие; список с тех пор только растёт.
Почему это важно
Главное в Ponytail — не хайп, а честный замер. В агентском бенчмарке от 18 июня автор прогнал скилл на реальном опенсорс-репозитории tiangolo/full-stack-fastapi-template (FastAPI + React) на модели Claude Haiku 4.5 через headless Claude Code: 12 фич-задач (6 фронт, 6 бэк), по 4 повтора каждая, плюс 6 задач на безопасность.
Средний результат по фич-задачам против базовой линии:
- −54% строк кода
- −22% токенов
- −20% стоимости
- −27% времени
- 100% прохождения тестов на безопасность — без потери валидации, обработки ошибок и доступности.
Важная деталь для честности: ранние цифры «−80–94%» автор сам скорректировал после критики методологии. Первый однократный бенчмарк завышал эффект из-за «болтливой» базовой линии, которая генерировала лишний текст. Агентская версия использует один и тот же агент во всех вариантах — и показывает, что экономия «огромная там, где есть что резать, и почти нулевая там, где кода и так минимум». То есть 54% — это среднее, а не гарантированный минус на каждой задаче.
Что это значит для вайб-кодинга
Ponytail попал в болевую точку эпохи агентов: LLM склонны переусердствовать — плодят абстракции, «фабрики», лишние обёртки и функции «на вырост», которые никто не просил. Для тех, кто вайб-кодит, это прямые деньги (токены и оплата API) и технический долг, который потом кто-то должен читать и поддерживать.
Практические выводы:
- Скилл ставится в один клик и работает поверх привычного агента — не нужно менять модель или инструмент. Если вы на Claude Code, Cursor или Codex, попробовать стоит минимум ради
/ponytail-reviewна своих диффах. - «Меньше кода» ≠ «хуже код». Идея не в терсности ради терсности (контрольный вариант «Caveman» в бенчмарке как раз почти не дал экономии токенов), а в том, чтобы агент сначала спрашивал «нужно ли это вообще» и переиспользовал существующее.
- Не ждите 54% на каждом промпте. Экономия велика на задачах, где агент любит переусложнять (формы, датапикеры, CRUD), и близка к нулю там, где решение и так короткое. Ориентируйтесь на свой репозиторий, а не на среднее из пресс-релиза.
- Тренд шире одного проекта. 80 тысяч звёзд за месяц — сигнал, что «дисциплина минимализма» для агентов становится отдельной категорией инструментов, наравне с MCP-серверами и линтерами для ИИ.