AI-ассистент тратит 30% времени впустую. Как я это исправил за 5 минут
Мой AI-ассистент тратил 2 минуты на каждый поиск по кодовой базе. При 40 поисках в день это 80 минут потерянного времени разработчика - каждый день. Я написал open-source инструмент, который сократил это до 20 секунд. Без подписок, без облака, без утечки вашего кода третьим сторонам.
Проблема: почему AI-ассистенты тормозят на больших проектах
AI coding assistants - Claude Code, Cursor, Copilot - стали стандартом в командах разработки. Но у них есть узкое место, о котором вендоры молчат: поиск по проекту.
Когда разработчик спрашивает AI "как у нас работает авторизация?", ассистент начинает искать по ключевым словам. Буквально: grep по слову "auth". Если авторизация реализована через middleware с названием sessionValidator - инструмент его не найдет. Никогда.
Начинается цикл: поиск, ничего, другой запрос, ничего, третий запрос. 2 минуты на каждый такой цикл. Умножьте на 40 поисков в день, на 5 разработчиков в команде - и вы получите 6+ часов потерянного времени ежедневно.
Для CTO это не техническая проблема. Это операционная неэффективность, которая масштабируется с ростом команды.
Решение: поиск по смыслу вместо поиска по буквам
Идея принадлежит Леониду Нетребскому - он написал первые скрипты для семантического индекса кодовой базы. Я взял его концепт и превратил в production-ready CLI-инструмент - LLMDEX.
Разница - как между таксистом без навигатора в незнакомом городе и таксистом с навигатором. Первый останавливается на каждом перекрестке, читает таблички, заезжает в тупики. Второй говорит адрес и едет.
LLMDEX использует векторные эмбеддинги - технологию, которая превращает код в математические представления смысла. Запрос "как работает авторизация" находит sessionValidator, даже если слово "auth" нигде не встречается.
Ключевое для бизнеса:
- Модель весит 80 МБ и работает локально на машине разработчика
- Никаких API-ключей, подписок или облачных зависимостей
- Код не покидает периметр компании - критично для SOC 2, GDPR, NDA-проектов
- Установка - одна команда, интеграция с Claude Code - одна команда
Цифры: до и после
- Время поиска: 2 минуты - 20 секунд (ускорение в 6 раз)
- Потери на команду из 5 человек: ~6 часов/день - ~1 час/день
- Стоимость: $0 (MIT лицензия, open source)
- Время внедрения: 5 минут на разработчика
- Безопасность: полностью локально, zero data exposure
Почему это важно для CEO и CTO
AI-ассистенты для разработки - это инвестиция. Claude Code Pro стоит $100-200/мес на разработчика. Cursor - $20-40/мес. Но ROI этих инструментов напрямую зависит от того, насколько быстро они находят нужный контекст в вашей кодовой базе.
Если ваш AI-ассистент тратит 30% времени на бесполезный перебор файлов - вы платите за инструмент, который треть рабочего дня работает вхолостую. Семантический поиск устраняет это узкое место.
Это не замена AI-ассистента. Это оптимизация того, который у вас уже есть.
Установка
uv tool install git+https://github.com/anetrebskii/llmdex
Два шага после установки: llmdex index для индексации проекта, llmdex init для интеграции с Claude Code. Всё.
Честные ограничения
- Сейчас лучше всего работает с Claude Code (интеграция через CLAUDE.md)
- При изменении кода нужна переиндексация (инкрементальные обновления в roadmap)
- Один разработчик-мейнтейнер (я)
- CLI-only, без web UI
Это не enterprise-платформа. Это инструмент, который решает конкретную проблему здесь и сейчас.
Что дальше
Сколько времени ваши разработчики теряют на ожидание, пока AI-ассистент перебирает grep за grep-ом? Посчитайте - цифра вас удивит.