Орчин үеийн Opus: GLM-5 Agentic Coding-ийн буухиаг авч чадах уу?
Хэрэв та хөгжүүлэгчдээс AI програмчлалын хамгийн хэцүү үе хэзээ вэ гэж асуувал?
Тэдний хариулт нь алдаа гарсан үедээ "Уучлаарай, би буруу ойлгосон байна" гэж хэлээд дахин дахин буруу кодыг давтах байх.
Өнгөрсөн нэг жилийн хугацаанд Coding том загваруудын дэвшил нь "үүсгэх чадвар" дээр илүү тусгагдсан: нэг өгүүлбэрээр вэб хуудас, бүрэлдэхүүн хэсэг, жижиг тоглоом үүсгэх - 15 секундын дотор пикселийн хэв маягтай вэб хуудас, гайхалтай SVG дүрс эсвэл ажиллах боломжтой могой үүсгэх. Эдгээр Demo нь гайхалтай, гэхдээ бас хангалттай "хөнгөн", тэдгээр нь Vibe Coding (уур амьсгалтай програмчлал)-ийн эрин үед үйлдвэрлэсэн дэвшилтэт тоглоом шиг юм. Гэхдээ өндөр зэрэгтэй архитектур, үндсэн драйверын дасан зохицох эсвэл нарийн төвөгтэй системийн өөрчлөлтийг хамарсан тохиолдолд тэдгээр нь "хүлэмжийн цэцэг" болдог.
Тиймээс сүүлийн үед Силикон хөндийн чиг хандлага өөрчлөгдсөн.
Claude Opus 4.6 эсвэл GPT-5.3 гэх мэт шилдэг том загварууд нь Agentic Coding-ийг онцолж эхэлсэн: "шууд үр дүн гаргах" гэж хичээхгүй, харин төлөвлөлт, задлах, дахин дахин ажиллуулах замаар системийн түвшний ажлыг гүйцэтгэх.
Энэхүү "урд талын гоо зүй"-ээс "системийн инженерчлэл"-ийн парадигм шилжилт нь хаалттай эх үүсвэртэй аварга компанийн монополь бүс гэж тооцогддог байв. GLM-5-ыг туршиж үзсэний дараа л би нээлттэй эхийн нийгэмлэгийн "архитектор эрин үе" эрт эхэлснийг ойлгосон.
***01***
**"Урд"-аас "Системийн инженерчлэл" хүртэл**
Өмнө нь AI Coding-ийн талаар ярихад ихэвчлэн танил түүхийг санадаг байсан - нэг өгүүлбэрээр вэб хуудас үүсгэх, нэг минутанд жижиг тоглоом хийх, арван секундын дотор гайхалтай хөдөлгөөн үүсгэх. Тэд "харах таашаал"-ыг онцолж байна: товчлуурууд хөдөлж, хуудас үзэсгэлэнтэй, эффектүүд баялаг.
Гэхдээ жинхэнэ инженерийн талбарт орсон хүмүүс Demo үүсгэх нь системийг дэмжихтэй адилгүй гэдгийг мэддэг.
Нарийн төвөгтэй ажлын хүндрэл нь "код бичих"-д биш, харин модулиудыг хэрхэн хуваах, төлөвийг хэрхэн удирдах, хэвийн бус байдлыг хэрхэн шийдвэрлэх, гүйцэтгэлийг хэрхэн оновчтой болгох, систем улам нарийн төвөгтэй болох үед бүтцийн тогтвортой байдлыг хадгалж чадах эсэхэд оршино.
Энэ нь бидний нарийн төвөгтэй ажлыг бодит туршилтын объект болгон сонгосон шалтгаан юм.
GLM-5-ын байр суурь нь олон өрсөлдөгчөөс ялгаатай.
Хэрэв ихэнх загварууд "сайн урд" шиг бол илүү хурдан харилцан үйлчлэлийн интерфейс болон визуал эффект үүсгэхэд сайн бол GLM-5 нь "системийн инженерчлэлийн үүрэг"-т илүү ханддаг. Энэ нь олон модулийн хамтын ажиллагаа, урт холбоосын даалгавар, үйлдвэрлэлийн орчинд ажиллах боломжтой бүтцийн тогтвортой байдлыг онцолж байна.
Үүнийг баталгаажуулахын тулд бид бүрэн ялгаатай хэмжээстэй хоёр бодит туршилтын жишээг зохион бүтээсэн.
Эхний туршилт бол хялбар мэт боловч өндөр системтэй даалгавар юм - хөтөч болон камерыг ашиглан "AI визуал агаарт удирддаг салют"-ын хаврын баярын сэдэвтэй интерактив тоглоом хэрэгжүүлэх.
Бодит туршилтын видеон дээр хэрэглэгч камерын өмнө зогсож, дохио зангаагаар салютын чиглэл, хэмнэлийг удирдаж байгааг харж болно; салют агаарт дэлбэрч, бөөмсийн эффект болон динамик гэрлийн эффектүүдтэй харилцан үйлчлэл нь жигд, байгалийн юм.
Гэхдээ энэ бол энгийн урд талын хөдөлгөөнт төсөл биш юм. Энэ нь дор хаяж дараах хэд хэдэн үндсэн модулийг агуулна: дохио зангаа таних болон визуал оролтыг боловсруулах; дохио зангааны координат-аас эхлүүлэх логик руу зураглах; салютын бөөмсийн систем болон дэлбэрэлтийн эффект; бодит цагийн дүрслэл болон фрэймийн хурдыг хянах; хөтөчтэй нийцтэй байдал болон камерын эрхийн хэвийн бус байдлыг шийдвэрлэх; харилцан үйлчлэлийн төлөвийг удирдах болон хэрэглэгчийн санал хүсэлтийг удирдах.
Энэ нь бүтэц нь бүрэн, туршлага нь жигд жижиг интерактив систем гэж хэлж болно. Бодит туршилтын явцаас харахад GLM-5 шууд код бичихэд ороогүй, харин ерөнхий архитектурыг төлөвлөсөн: визуал оролтын модуль, хяналтын логик давхарга, дүрслэлийн давхарга, эффект давхаргыг хэрхэн ялгах; өгөгдлийн урсгалыг хэрхэн дамжуулах; гүйцэтгэлийн саад тотгор болох хэсгүүд.
Дараа нь тэрээр дохио зангаа таних өгөгдлийг боловсруулахаас эхлээд эхлүүлэх траекторийг тооцоолох, дараа нь бөөмсийн дэлбэрэлтийн эффектийн параметрүүдийг тохируулах хүртэл логикийг давхаргаар хэрэгжүүлсэн.
Дүрслэл гацаж эхлэхэд тэрээр бөөмсийн тоог багасгах, давталтын бүтцийг оновчтой болгохыг санаачилсан; дохио зангаа таних алдаатай үед тэрээр босго утга болон шүүлтүүрийн стратегийг тохируулсан.
Видеон дээр үзүүлсэн эффект нь "байгалийн харагдах харилцан үйлчлэл" юм. Гэхдээ үүний цаана бүрэн инженерийн гинжин хэлхээ байна: төлөвлөлт → бичих → дибаг хийх → гүйцэтгэлийг оновчтой болгох → харилцан үйлчлэлийг засах.
Эцэст нь үүсгэсэн кодыг шууд ажиллуулж, харилцан үйлчлэл нь тогтвортой, фрэймийн хурд жигд, хэвийн бус нөхцөл байдлыг шийдвэрлэх боломжтой. Хамгийн гол нь түүний ажлын арга барил нь тодорхой системийн сэтгэлгээг харуулж байна: модулийн хил хязгаар нь тодорхой, логик давхаргууд нь үндэслэлтэй, бүх функцийг нэг файлд овоолохгүй.
Хоёр дахь жишээ туршилт нь бүтцийн системийн чадвар юм. Энэ үзэгдэл нь хэвлэл мэдээллийн ажлын өдөр тутмын ажил гэж хэлж болно - ярилцлагын товчлолыг импортлох, агуулгыг нэгтгэн дүгнэх, сэдвийн өнцөг болон санааг гаргах.
Бодит туршилтаас харахад үйл ажиллагааны урсгал маш шууд байна: Би саяхан авсан ярилцлагын товчлолыг хуулж буулгасан, загвар нь дүн шинжилгээ хийж эхэлсэн, дараа нь агуулгын хураангуй болон сэдвийн өнцгийг гаргасан, үр дүнгээс харахад түүний үүсгэсэн сэдвийн өнцөг нь маш ажиллагаатай байна.
Визуал харилцан үйлчлэлийн системтэй харьцуулахад дуу бичлэгийг цэгцлэх нь энгийн мэт санагдаж болох ч энэ нь загварын "бүтцийн хийсвэрлэх чадвар"-ыг шалгадаг. Жинхэнэ ярилцлагын дуу бичлэг нь ихэвчлэн өндөр бүтэцгүй байдаг: үзэл бодол үсрэх, мэдээлэл давтагдах, үндсэн болон туслах шугам холилдох. Тиймээс энэ жишээнд GLM-5-ын үзүүлсэн чадвар нь системийн түвшинд байна.
**Нэгдүгээрт, сэдвийг таних болон үндсэн шугамыг гаргах чадвар.** Загвар нь анхны текстийн дарааллаар хураангуй үүсгэхгүй, харин гол асуудал юу болохыг эхлээд тодорхойлж, дараа нь энэ асуудлын эргэн тойронд агуулгыг дахин зохион байгуулна. Энэ нь дотооддоо сканнер хийж, аль мэдээлэл нь үндсэн шугамд, аль нь нэмэлт эсвэл чимээ шуугианд хамаарахыг тодорхойлно гэсэн үг юм. Энэ чадвар нь төлөвлөлтийн чадвар бөгөөд өөрөөр хэлбэл гаргахаасаа өмнө хийсвэр бүтцийн хүрээ бий болгох явдал юм.
**Хоёрдугаарт, модульчлалын дахин зохион байгуулах чадвар.** Энэ нь өөр өөр хэсгүүдэд тархсан холбогдох үзэл бодлыг нэг модульд ангилна. Энэхүү хэсэг хоорондын нэгтгэх чадвар нь загвар нь урт тексттэй ажиллахдаа дэлхий дахины тууштай байдлыг хангаж байгааг харуулж байна.
**Гуравдугаарт, логик дарааллыг идэвхтэй тохируулах чадвар.** Бодит гаргасан тойм нь ихэвчлэн анхны дуу бичлэгийн дарааллаас ялгаатай байдаг. GLM-5 нь шалтгаан үр дагаврын хамаарал эсвэл нотолгооны логик дээр үндэслэн давхаргыг дахин зохион байгуулж байгааг харж болно. Энэ нь "логик нь анхны оролтын дарааллаас илүү чухал" гэсэн дүгнэлтийг харуулж байна. Энэхүү "эхлээд бүтэц, дараа нь гаргах" загвар нь системийн инженерчлэлийн сэтгэлгээний гол цөм юм.
Эдгээр хоёр жишээ нь нэг нь бодит цагийн визуал харилцан үйлчлэлийн систем, нөгөө нь хэвлэл мэдээллийн мэдээллийн бүтцийн боловсруулалтын систем бөгөөд тэдгээр нь бүрэн ялгаатай мэт санагдаж байна. Гэхдээ тэдгээр нь нэг зүйлийг баталж байна - GLM-5 нь ажлын бүрэн эргэлтийн чадвартай: төлөвлөлт → гүйцэтгэх → дибаг хийх → оновчтой болгох.
Салютын тоглоомонд энэ нь модулийн давхарга, гүйцэтгэлийг оновчтой болгох болон хэвийн бус байдлыг шийдвэрлэхэд тусгагдсан; дуу бичлэг боловсруулагчид энэ нь сэдвийг тодорхойлох, бүтцийг задлах болон логикийг дахин зохион байгуулахад тусгагдсан. Тэдний нийтлэг зүйл нь загвар нь "үр дүн гаргах"-д зогсохгүй, харин тогтвортой хөгжих боломжтой бүтцийг хадгалж байдаг.
Би харьцангуй нарийн төвөгтэй даалгаврыг үргэлжлүүлэн туршиж үзсэн, "маш энгийн үйлдлийн системийн цөм бүтээх". Энэ бодит туршилтад видеоны эцэст код ажиллаж байгаа нь биш, харин GLM-5-ын бүх явцад үзүүлж буй зан байдалд анхаарал хандуулах нь зүйтэй.
Энэ нь даалгаврыг хүлээн авмагцаа шууд үүсгэх төлөвт орохгүй, харин даалгаврын хил хязгаарыг эхлээд тодорхойлж, модулийг идэвхтэй хувааж, системийн бүтцийг төлөвлөж, дараа нь хэрэгжүүлэх үе шатанд орно. Энэхүү "бүтэц эхэлж" зам нь үндсэндээ өмнө дурдсан инженерийн сэтгэлгээ юм - системийг хэрхэн бүрдүүлэхийг эхлээд тодорхойлж, дараа нь тодорхой хэрэгжүүлэх нарийн ширийн зүйлийг хэлэлцэх, хажуугаар нь бичиж, нөхөхгүй.
Олон удаа бичих, ажиллуулах, алдаа гаргах, засах давталтад GLM-5 нь бүтцийн нуралт үүсгэсэнгүй. Засвар бүр нь урьдчилан тогтоосон архитектурын эргэн тойронд хийгдсэн, дахин эхлүүлэх эсвэл хэсэгчлэн нөхөхгүй. Энэ нь дотооддоо бүрэн системийн загварыг хадгалж, урт холбоосын даалгаварт тууштай байдлыг хадгалж чадна гэсэн үг юм. Олон загварууд контекст уртсаж эхлэхэд өмнө хойноо зөрчилдөх хандлагатай байдаг бол видеоны үзүүлэлт нь түүний ерөнхий бүтцийг үргэлжлүүлэн санах чадварыг харуулж байна.
Мөн түүний алдааг шийдвэрлэх арга барил. Алдаа гарч ирэхэд тэрээр "магадгүй ямар нэгэн кодын мөрөнд асуудал байна" гэсэн гадаргуугийн таамаглалд зогсохгүй, харин эхлээд алдааны төрлийг тодорхойлж, логикийн асуудал, орчны асуудал эсвэл хамаарлын зөрчлийг ялгаж, дараа нь шалгах замыг төлөвлөнө. Энэ бол асуудлын замыг засахад чиглэсэн стратегийн түвшний Debug юм.
Хэрэв багаж хэрэгслийг дуудахтай хослуулан үзвэл энэ чадвар илүү тодорхой харагдах болно. Энэ нь зөвхөн тушаалын зөвлөмжийг өгөхгүй, харин терминалыг идэвхтэй хуваарилах, бүртгэлийг шинжлэх, орчныг засахтай хослуулан даалгаврыг үргэлжлүүлэн ахиулна. Энэ зан байдал нь "автомат жолоодлого" маягийн инженерийн ахиц дэвшилтэй төстэй болсон. Зорилго биелээгүй бол тэрээр үргэлжлүүлэн давтана.
Эхлээд төлөвлөж дараа нь гүйцэтгэх, урт холбоосонд бүтцийг тогтвортой байлгах, асуудлыг стратегийн аргаар шалгах, зорилгын эргэн тойронд үргэлжлүүлэн ахиулах - системийн инженерчлэлд шаардлагатай дөрвөн үндсэн чадварыг нэмснээр GLM-5 нь инженерүүдийн ажлын арга барилтай ойролцоо зан байдлыг харуулж эхэлсэн.
**Яагаад GLM-5 "архитектор"-ын буухиаг авч чадсан бэ?**
Хэрэв эхний хэсгийн бодит туршилт нь GLM-5 "нарийн төвөгтэй ажил хийж чадна" гэдгийг баталсан бол дараагийн асуулт бол: **Тэр яагаад чадсан бэ?** Хариулт нь түүний гаргасан бүтээгдэхүүний цаана нуугдсан "инженерийн түвшний зан үйлийн загвар" юм.
Хамгийн гол зүйл нь GLM-5 нь Claude Opus 4.6-тай төстэй сэтгэлгээний гинжин өөрийгөө шалгах механизмыг тодорхой нэвтрүүлсэн.
Бодит хэрэглээнд мэдрэгдэх боломжтой зүйл бол тэрээр даалгаврыг хүлээн авмагцаа шууд "код бөглөх"-д орохгүй, харин арын дэвсгэр дээр олон удаа логик дүгнэлт хийнэ: модулиудын хоорондын холбоог урьдчилан таамаглах, үхсэн давталтын замаас идэвхтэй зайлсхийх, нөөцийн зөрчил болон хил хязгаарын нөхцөлийг урьдчилан илрүүлэх. Энэ зан байдлын шууд өөрчлөлт нь - төлөвлөгөө нь инженерчлэлийн хувьд бат бөх байхын тулд **тэрээр удааширч, асуудлыг бүрэн бодож үзэхэд бэлэн байна**.
Нарийн төвөгтэй даалгаварт GLM-5 нь эхлээд тодорхой модулийн задаргааг өгнө: систем нь ямар дэд модулиудаас бүрдэх, модуль бүрийн оролт гаралтын утга юу байх, аль хэсгийг зэрэгцүүлэн ахиулах боломжтой, аль хэсгийг цувралаар хийх ёстой. Дараа нь тэрээр нэг нэгээр нь даван туулах болно, хажуугаар нь бичиж бодохгүй. Энэ нь түүний ажлын арга барилыг жинхэнэ инженер шиг болгож байна: **эхлээд архитектурын зураг зурж, дараа нь хэрэгжүүлэх нарийн ширийн зүйлийг бичнэ**. Тэрээр "асуудлыг цэвэрлэж шийдвэрлэхгүй бол зогсохгүй байх тэвчээртэй" байгааг тодорхой мэдэрч байна, зөв харагдах хэсгийг дуусгаад дутуу орхихгүй.
Энэ ялгаа нь уламжлалт Coding загвартай харьцуулахад онцгой тод харагдаж байна. Өнгөрсөн хугацаанд олон загварууд алдаатай тулгарахад танил загварт хурдан гулсаж ордог: уучлалт гуйх, алдааны мэдээллийг давтах, баталгаажаагүй засварын зөвлөмжийг өгөх; дахин бүтэлгүйтвэл ойролцоо хариултыг давтан гаргаж эхэлнэ. GLM-5-ын боловсруулах арга барил нь ахмад архитектортай илүү төстэй юм. Бодит туршилтаар төсөл нь орчны хамаарлын асуудлаас болж ажиллахгүй бол тэрээр гадаргуугийн алдааны мэдээлэлд зогсохгүй, харин хамаарлын модыг (Dependency Tree) идэвхтэй шинжилж, зөрчлийн эх үүсвэрийг тодорхойлж, OpenClaw-д орчныг засах тушаал өгнө.
Бүх үйл явц нь "автомат жолоодлого" маягийн байршуулалттай төстэй: загвар нь идэвхгүй хариу өгөхгүй, харин бүртгэлийг үргэлжлүүлэн уншиж, замыг засаж, үр дүнг баталгаажуулна.
Өөр нэг үл тоомсорлож болохгүй, гэхдээ системийн инженерчлэлд маш чухал чадвар бол контекстийн бүрэн бүтэн байдал юм.
GLM-5-ын сая Token цонх нь түүнд бүх төслийн кодын бүтэц, түүхэн өөрчлөлт, тохиргооны файл болон ажиллуулах бүртгэлийг нэг контекстэд ойлгох боломжийг олгодог. Энэ нь тэрээр дэлхий дахины өнцгөөс харахад нэг өөрчлөлт нь ямар модулиудад гинжин урвал үзүүлэхийг дүгнэх боломжтой гэсэн үг юм. Урт холбоосын даалгаварт энэ чадвар нь загварыг "ухаантай боловч богино хараатай" эсвэл "тогтвортой бөгөөд хяналттай" байхыг шууд тодорхойлно.
Ерөнхийдөө GLM-5 "архитектор"-ын үүргийг жинхэнэ утгаар нь авч чадсан нь **архитектор шиг асуудалд хандаж эхэлсэн** учраас гол нь: эхлээд төлөвлөж, дараа нь гүйцэтгэх; үргэлжлүүлэн шалгаж, байнга засах; системийн ерөнхий байдалд анхаарал хандуулах, ганц цэгийн амжилтад биш.
Энэ нь түүний эхний хэсэгт дурдсан системийн түвшний бодит туршилтын даалгавруудыг гүйцэтгэх үндсэн шалтгаан юм.
***03***
**Орчин үеийн Opus уу?**
2026 оны том загварын экосистемд тавибал GLM-5-ын үнэ цэнэ нь өмнө нь бараг хүлээн зөвшөөрөгдсөн зүйлийг эвдэж байгаатай холбоотой: системийн түвшний оюун ухаан нь зөвхөн хаалттай эх үүсвэртэй загварт л байж болох юм шиг санагддаг.
Өмнө нь Claude Opus 4.6 болон GPT-5.3 "Agentic Coding" гэсэн замыг үнэхээр амжилттай туулсан - загвар нь шууд хариу өгөхийг эрэлхийлэхгүй, харин төлөвлөлт, задлах, дахин дахин ажиллуулах замаар үнэхээр нарийн төвөгтэй инженерийн даалгаврыг гүйцэтгэдэг. Гэхдээ үнэ нь бас өндөр: өндөр эрчимтэй даалгаврын Token зарцуулалт маш өндөр, системийн түвшний бүрэн оролдлого нь ихэвчлэн өндөр өртөгтэй дуудлага гэсэн үг юм.
GLM-5 энд өөр шийдлийг санал болгож байна. Нээлттэй эхийн загвар болохын хувьд тэрээр "системийн архитектор түвшний AI"-г үүлэн болон төлбөрөөс хөгжүүлэгчдийн өөрийн орчинд буцааж авчирсан. Та үүнийг локал байдлаар байршуулж, бохир, хүнд, том ажлыг хийхэд цаг зарцуулах боломжийг олгож болно: бүртгэлийг тохируулах, хамаарлыг шалгах, хуучин кодыг өөрчлөх, хил хязгаарын нөхцөлийг нөхөх.
Үүнийг үр ашгийн бүтцийн өөрчлөлт гэж үзэж болно - архитектор түвшний оюун ухаан нь цөөн хэдэн багийн онцгой эрх байхаа больсон.
Хэрэв та энэ ялгааг мэргэжлийн зүйрлэлээр ойлгох юм бол илүү ойлгомжтой байх болно. Kimi 2.5 гэх мэт загварууд нь гоо зүйн хувьд онлайн, харилцан үйлчлэлийн мэдрэмжтэй сайн урд талын инженерүүдтэй илүү төстэй бөгөөд One-shot үүсгэх, визуал үзүүлэлт болон хурдан хариу өгөхөд сайн; GLM-5-ын хэв маяг нь тодорхой ялгаатай, тэрээр доод шугамыг сахидаг, логиктой ахмад системийн архитектортой илүү төстэй: модулийн хамаарал, хэвийн бус зам, засварлах боломжтой байдал болон урт хугацааны тогтвортой ажиллагаанд анхаарал хандуулдаг.
Үүний цаана програмчлалын AI-ийн мэргэжлийн дэвшил байна - "маш сайхан харагдах" Vibe Coding-ийг эрэлхийлэхээс эхлээд бат бөх байдал болон инженерийн сахилга батыг онцолсон Engineering руу шилжих.
Хамгийн гол нь GLM-5 гарч ирснээр нэг хүний компанийн ойлголт илүү хэрэгжих боломжтой болсон.
Хэрэв хөгжүүлэгч системийн загварыг ойлгодог, удаан хугацаанд ажиллах боломжтой, өөрийгөө засах чадвартай хиймэл оюун ухаант хамтрагчтай болох үедээ багийн хэмжээгээр хийгдэх ёстой байсан инженерчлэлийн ажлууд хувь хүний хяналтад багтах хэмжээнд шахагдаж эхэлдэг. Дараа нь GLM-5 нь нэг хүний компанийн гол инженерчлэлийн ажлыг хариуцдаг "дижитал хамтрагч" болох боломжтой.
