PyCharm добавила навык Agent Environment Coordinator, чтобы помогать ИИ-агентам использовать правильные интерпретатор Python и среду выполнения, связанные с проектом, вместо автоматического обращения к системному интерпретатору или установки пакетов не в то место. JetBrains утверждает, что эта проблема приводила к нарушенным настройкам и загрязнённым средам, которые разработчику приходилось исправлять вручную.
JetBrains протестировала шесть моделей искусственного интеллекта на 28 различных программных задачах. Средний показатель успешности составил 68%, когда агенты не могли получить доступ к фактической среде проекта. После предоставления им этой информации через навык в PyCharm средний показатель вырос до 98% — без изменения системного Python.
Проблема, которую решает навык
Агенты на основе больших языковых моделей часто игнорируют виртуальную среду, предназначенную для проекта, и используют вместо неё системный интерпретатор. На одном устройстве может быть несколько интерпретаторов, а проекты используют разные инструменты для управления средами, например uv, Poetry, pip с venv или conda. Обычно у агента нет прямого способа увидеть эти настройки, существующие в PyCharm.
В типичном сценарии агент может выполнить команду pip install httpx с неправильным интерпретатором, из-за чего пакет будет установлен глобально, после чего программа завершится с ошибкой, а используемая в системе среда будет загрязнена. PyCharm уже знает, какой интерпретатор связан с проектом и какой инструмент управляет средой, поэтому JetBrains разработала способ, позволяющий агенту запросить эту информацию.
Как работает Agent Environment Coordinator
Навык позволяет агенту вызывать две функции PyCharm. get_python_environment возвращает правильный интерпретатор для обрабатываемого файла или программного модуля, а также его путь и инструмент, отвечающий за управление им, будь то uv, Poetry, pip с venv или conda.
Если среда ещё не настроена, configure_python_interpreter использует встроенный в PyCharm механизм настройки для создания подходящего интерпретатора, включая тот же механизм, который предлагает создать каталог .venv. В результате новый интерпретатор становится виден и в интегрированной среде разработки.
JetBrains подчёркивает, что навык не блокирует команды и не переписывает их. Он лишь возвращает информацию о среде, после чего агент сам решает, использовать ли её и как включить её в команду. Таким образом, агент получает недостающий контекст через существующие механизмы PyCharm, без выполнения команд от его имени самим навыком.
Результаты тестирования
В тестовый набор вошли повседневные задачи, связанные со средами Python, такие как запуск тестов, установка библиотеки, просмотр зависимостей и устранение конфликта версий. Каждая задача требовала от агента выбрать правильный интерпретатор для выполнения команды. Награда также снижалась, если агент загрязнял системную среду, поэтому высокий показатель успешности отражает не только прохождение задачи, но и более чистое выполнение.
JetBrains запускала весь набор задач три раза для каждой модели — с навыком и без него — с использованием Harbor, после чего рассчитывала средние результаты. Среди объявленных улучшений были следующие модели:
- Sonnet 5: с 73% до 100%.
- Opus 5: с 94% до 100%.
- Codex/GPT-5.6: с 80% до 100%.
JetBrains считает, что результаты указывают: основной проблемой был недостаток контекста, а не неспособность моделей выполнять задачи. Модели не изменились, но перестали угадывать нужный интерпретатор, что объясняет, почему модель с самым низким исходным результатом получила наибольшую пользу. Поскольку в тесте также применялось наказание за загрязнение системной среды, рост оценок был связан с уменьшением побочных следов выполнения, а не только с увеличением числа успешно выполненных задач.
Доступность
Навык можно попробовать в PyCharm 2026.2.1, открыв чат с искусственным интеллектом и попросив установить пакет или выполнить команду внутри проекта. Agent Environment Coordinator — один из встроенных навыков PyCharm. Навыки можно просматривать и управлять ими из среды разработки, а библиотеку — расширять с помощью внешних реестров, таких как общедоступные репозитории GitHub, или импортировать навыки, заранее созданные для Claude Code или Codex.