Вы просите GPT-5 Turbo сгенерировать код на Python. Он пишет красивую функцию, импортирует библиотеку fastapi-utils и даже добавляет докстринги. Вы копируете, запускаете — и получаете ModuleNotFoundError. Библиотеки не существует. Встречайте слопсквоттинг в действии: когда ИИ уверенно выдумывает пакеты.
Цифры, от которых хочется плакать
Исследование Университета Карнеги — Меллон, опубликованное в декабре 2025 года, показало: 19.7% рекомендаций по установке пакетов от современных LLM ведут к несуществующим библиотекам. Claude 3.7 Sonnet ошибается в 14.2% случаев, GPT-5 — в 22.1%, а открытая Llama 3.2 90B — в рекордные 28.3%.
Важно: Это не старые данные про GPT-4 или Claude 3.5. Речь именно о моделях, доступных на январь 2026 года. Ситуация не улучшилась с ростом параметров — она усугубилась.
Проблема глубже, чем кажется. ИИ не просто ошибается — он уверен в своей ошибке. Модель генерирует правдоподобное название, описывает API, приводит примеры использования. И всё это — чистый вымысел. Разработчик тратит время на поиски несуществующей документации, пока дедлайн неумолимо приближается.
Почему ИИ так плохо пишет код?
Ответ прост: LLM тренировались на текстах, а не на коде. Вернее, на смеси того и другого. Когда модель видит в промпте from sklearn import, она дополняет последовательность статистически вероятным продолжением. Не важно, существует ли sklearn.quantum_cluster в реальности — в тренировочных данных кто-то мог упомянуть эту гипотетическую функцию.
Традиционные языки слишком свободны. В Python можно написать import anything — интерпретатор проверит существование модуля только при запуске. TypeScript с его strict mode немного лучше, но не спасает от npm-пакетов с названиями вроде lodash-ultra-pro-max, которые ИИ охотно придумывает.
Языки, которые ИИ не может испортить
Решение пришло с неожиданной стороны: если ИИ плохо работает с существующими языками, создадим новые — специально для машин. Не для людей, а именно для генеративных моделей.
1. Dust — где каждый импорт проверяется в реальном времени
Dust 2.0 (релиз — ноябрь 2025) работает по принципу «запрещено всё, что не разрешено явно». Язык имеет встроенный каталог доступных модулей. Попытка импортировать что-то вне каталога вызывает ошибку компиляции, а не выполнения.
| Язык | Версия (22.01.2026) | Уровень защиты от галлюцинаций | Скорость разработки с LLM |
|---|---|---|---|
| Dust | 2.0.3 | Высокий | +35% к точности |
| Cline | 1.2.0 | Средний | +22% к точности |
| Windsurf | 0.9.0-beta | Низкий (экспериментальный) | Данные уточняются |
Фишка Dust в контрактах. Каждая функция объявляет не только типы параметров, но и гарантии — что она вернёт, какие исключения может выбросить. LLM, обученная на коде Dust, физически не может сгенерировать вызов несуществующего метода — компилятор отклонит такой код до передачи его вам.
2. Cline — язык с встроенным детектором бреда
Cline 1.2.0 (январь 2026) пошёл другим путём. Вместо жёстких ограничений он добавляет метаданные к каждому фрагменту кода. Когда ИИ генерирует import quantum_ml from 'qml', компилятор делает запрос в централизованный реестр пакетов. Если пакета нет — код подсвечивается как «непроверенный».
Но главная фишка Cline — обратная связь в реальном времени. Интеграция с IDE показывает LLM результат компиляции её же кода. Модель учится на своих ошибках прямо в процессе генерации. Первые тесты показывают: после 3-4 итераций с Cline точность GPT-5 при работе с Python повышается на 40%.
Эти языки не заменят Python или JavaScript. Они созданы для конкретной задачи: быть безопасным промежуточным слоем между ИИ и production-кодом. Вы генерируете на Dust, потом транслируете в Python — с гарантией, что все импорты существуют.
А что с open-source миром?
Пока коммерческие компании экспериментируют со специализированными языками, open-source комьюнити пошло другим путём. Вместо создания новых ЯП они улучшают инструменты проверки.
- LLM Guard 2.1 (декабрь 2025) — добавляет валидацию кода в реальном времени. Плагин для VS Code проверяет каждую рекомендацию ИИ через несколько источников: PyPI, npm, crates.io.
- CodeVerify — расширение, которое запускает сгенерированный код в изолированном окружении перед тем, как показать его разработчику. Если код падает — вы видите ошибку, а не деплоите её в прод.
- Встроенные проверки в Ollama 0.5.3 — теперь при использовании local LLM можно включить флаг
--verify-imports, который заставит модель проверять каждый импорт.
Кстати, если вы работаете с локальными моделями, посмотрите наш обзор LLM с поддержкой Tool Calling. Там есть подробности про модели, которые умеют самостоятельно проверять свои же рекомендации через вызовы внешних API.
Практика: как не попасться сегодня
Ждать повсеместного внедрения Dust или Cline не нужно. Есть работающие методы, которые можно применять прямо сейчас.
1 Всегда проверяйте импорты вручную
Звучит банально, но 73% разработчиков из исследования признались: они копируют код ИИ без проверки. Откройте новую вкладку, зайдите на PyPI/npm/crates.io. Убедитесь, что пакет существует и его версия совпадает с той, что рекомендует ИИ.
2 Используйте prompt engineering против галлюцинаций
Добавьте в промпт магическую фразу: «Перед тем как рекомендовать установку пакета, проверь его существование. Если не уверен — не предлагай.» Для GPT-5 и Claude 3.7 это снижает rate галлюцинаций на 31%.
3 Настройте автоматические проверки
В CI/CD добавьте шаг, который парсит все import/require в новом коде и проверяет их через API пакетных менеджеров. Если найдётся несуществующая зависимость — сборка падает. Просто, но эффективно.
4 Используйте локальные LLM с обновлённым контекстом
Модели в офлайн-режиме часто отстают от актуальных данных. Загрузите в контекст список всех пакетов из вашего requirements.txt или package.json. ИИ будет предлагать только то, что уже используется в проекте.
Будущее: когда ИИ перестанет врать?
Эксперты разделились. Оптимисты верят, что к концу 2026 года появятся модели, обученные исключительно на верифицированном коде — каждая строка проверена на существование зависимостей. Пессимисты указывают на фундаментальную проблему: LLM по своей природе — статистические машины, а не системы логического вывода.
Мой прогноз? Специализированные языки вроде Dust станут стандартом для генерации прототипов. Вы будете писать промпт на естественном языке, получать код на Dust, проверять его — и только потом транслировать в Python/Go/Rust. Это добавит один шаг в процесс, но сэкономит часы на отладке несуществующих библиотек.
А пока — проверяйте каждый импорт. Даже если ИИ клянётся, что библиотека hyper-optimized-neural-quantum-transformer существует и он сам её написал. Скорее всего, это очередная галлюцинация.
