Написание кода на Python – это не одна задача, а набор разных рабочих ситуаций: от быстрого скрипта до архитектурного решения, от дебага до генерации тестов. Нейросети для написания кода Python удобнее выбирать не по бренду, а по тому, что именно нужно сделать прямо сейчас.
Ниже – разбор по шести сценариям: от универсальной работы и сильного промпта до длинного контекста, дебага, генерации архитектурных решений и быстрого бюджетного продакшна.
| Сценарий | Когда нужен | Подойдут | Что у них получается лучше всего |
| Сценарий "Универсальный" | Нужен один основной ИИ для большинства задач: скрипты, функции, классы, объяснения, правки | ChatGPT, Claude, DeepSeek | Собирают рабочий код, держат структуру, помогают пройти путь от идеи до работающего решения |
| Сценарий "По сильному промпту" | Уже есть четкое ТЗ: стек, ограничения, формат вывода, требования к коду | Claude, Qwen, ChatGPT | Лучше исполняют плотную инструкцию и реже теряют ограничения по ходу генерации |
| Сценарий "Быстро и бюджетно" | Нужно много черновиков, быстрых скриптов, адаптаций и экспериментов | DeepSeek, Qwen, GLM | Быстро дают рабочую основу без дорогого входа и без VPN |
| Сценарий "Длинный контекст и большой проект" | Есть большой кодовый файл, несколько модулей, длинная документация или сложное ТЗ | Claude, Qwen, Kimi | Лучше удерживают весь контекст без потерь и собирают решение из нескольких частей |
| Сценарий "Дебаг, анализ и критика кода" | Нужно найти ошибку, объяснить поведение, оценить качество кода или предложить рефакторинг | Claude, DeepSeek, Qwen | Сильнее держат логические цепочки, объясняют причины ошибок и предлагают структурные улучшения |
| Сценарий "Актуальные библиотеки и документация" | Нужно узнать, как работает конкретная библиотека, какой метод актуален, что изменилось в API | Perplexity, Gemini, Grok | Дают актуальную информацию с источниками, а не только из обучающих данных |
Таблица практических критериев ИИ
| Критерий | Что значит в контексте написания кода на Python | Когда особенно важен |
| Стилист Лучшие: ChatGPT, Gemini, DeepSeek |
Чистота кода, читаемость, соответствие PEP 8, качество комментариев и docstring | Когда код пойдет в ревью, в документацию или в публичный репозиторий |
| Аналитик Лучшие: Claude, DeepSeek, Qwen |
Логика алгоритма, декомпозиция задачи, критическое мышление при оценке подхода | Когда нужно не просто написать, а выбрать правильный алгоритм или найти причину ошибки |
| Контекстуал Лучшие: Claude, Qwen, Kimi |
Удержание всего кодового контекста: переменных, зависимостей, архитектуры, ограничений | Когда на входе несколько файлов, длинный модуль или сложная система с взаимосвязями |
| Исследователь Лучшие: Perplexity, Gemini, Grok |
Актуальность версий библиотек, поиск документации, свежие изменения в API | Когда нужно знать, какой метод сейчас рабочий, а какой устарел или удален |
| Структуратор Лучшие: ChatGPT, Claude |
Архитектура модулей, декомпозиция на функции и классы, техническая документация | Когда нужно превратить размытое ТЗ в четкую структуру кода |
| Генератор Лучшие: ChatGPT, Gemini |
Нестандартные подходы к задаче, альтернативные реализации, брейнсторминг по архитектуре | Когда один очевидный способ не устраивает и нужно рассмотреть несколько вариантов решения |
| Экономно Лучшие: DeepSeek, Qwen, GLM |
Скорость ответа и низкая стоимость при большом потоке задач | Когда нужно быстро перебрать много вариантов, сделать черновые скрипты или поставить задачу на поток |
Подбираем лучшие нейросети для написания кода Python по разным сценариям
Ниже – точечный разбор для каждого варианта применения: какие ИИ брать, в каких ситуациях они раскрываются и где у каждого потолок.
Сценарий "Универсальный"
Подходит, когда нужен один основной инструмент для большинства задач с кодом на Python – без жесткого дробления процесса на отдельные этапы.
Важные критерии: Аналитик Структуратор Стилист
- нужно быстро написать рабочую функцию, класс или скрипт по короткому описанию задачи;
- есть идея, но нет четкой структуры – нужно получить первый вариант и потом его дорабатывать;
- один и тот же код потом придется рефакторить, адаптировать под другую задачу или расширять;
- нужно и писать код, и сразу получать объяснение, что именно делает каждый блок.
Лучшие модели:
ChatGPT – ⭐⭐⭐⭐⭐ 5/5
Claude – ⭐⭐⭐⭐☆ 4.5/5
DeepSeek – ⭐⭐⭐⭐☆ 4.5/5
ChatGPT
- быстро собирает рабочий код по короткому или среднему описанию задачи;
- удобен для серии итераций: переписать, упростить, добавить обработку ошибок, адаптировать под другой стек;
- хорош, когда на одной задаче нужно быстро сравнить несколько подходов к реализации.
Когда его брать: если нужен один основной ИИ для регулярной работы с Python-кодом и постоянных правок по ходу.
Ограничения: при слабом входе может генерировать слишком общий код без учета специфики задачи; по экономичности уступает бюджетным вариантам.
Claude
- хорошо собирает код из подробного ТЗ, где много условий, ограничений и требований к структуре;
- держит логику модуля целиком, а не только отдельные удачные функции;
- особенно полезен, когда первый драфт кода должен быть не просто рабочим, а архитектурно собранным.
Где дает лучший результат: когда нужен один сильный драфт на базе подробных вводных, а не поток быстрых вариаций.
Ограничения: менее удобен по доступности из РФ; не самый экономичный вариант для массового чернового производства скриптов.
DeepSeek
- дает сильный баланс между качеством кода, скоростью и доступностью без VPN;
- хорошо справляется с задачами, где нужна логика алгоритма и чистая структура;
- помогает быстро собрать рабочую основу, которую потом легко довести вручную или отдать на ревью.
На чем выигрывает: если нужен основной инструмент для регулярной работы с Python без дорогой подписки и без VPN.
Ограничения: для самых сложных архитектурных задач с длинными вводными может быть не первым выбором.
Сценарий "По сильному промпту"
Этот сценарий нужен, когда у вас уже есть четкое ТЗ на код: стек, версии библиотек, требования к структуре, формат вывода, ограничения по стилю и обработка исключений.
Важные критерии: Контекстуал Структуратор Аналитик
- в команде уже есть рабочий шаблон промпта под типовые задачи на Python;
- важно, чтобы ИИ не уходил в сторону, а строго держал заданную рамку по архитектуре и стилю;
- нужно масштабировать один подход на десятки схожих задач – например, генерация CRUD-функций или тестов;
- в промпте уже прописаны ограничения: какие библиотеки не использовать, какой стиль именования, какой тип аннотаций.
Хороший промпт для написания Python-кода снижает риск: появления лишних зависимостей, отклонения от заданной архитектуры, игнорирования требований к типизации, отсутствия обработки исключений, несоответствия PEP 8 и стилевым ограничениям проекта.
Лучшие модели:
Claude – ⭐⭐⭐⭐⭐ 5/5
Qwen – ⭐⭐⭐⭐☆ 4.5/5
ChatGPT – ⭐⭐⭐⭐☆ 4.5/5
Claude
- хорошо держит длинные инструкции, где важно соблюдать архитектурные ограничения и не терять требования;
- подходит, когда промпт уже похож на внутренний регламент команды, а не на короткий запрос;
- дает более собранный результат, если в задаче много условий, запретов и структурных требований.
На чем выигрывает: на плотных промптах, где важно соблюдать и смысловую рамку, и формат кода.
Ограничения: не самый рациональный выбор для простых типовых задач, где хватит более дешевого варианта.
Qwen
- берите, когда промпт длинный, подробный и его нужно гонять много раз под разные задачи;
- хорошо держит большой вход и не ломается, если в инструкции много переменных и условий;
- удобен, когда нужен недорогой рабочий вариант для повторяемых сценариев без VPN.
Когда раскрывается лучше всего: когда шаблон уже собран и его нужно масштабировать без дорогого прогона.
Ограничения: для финальной стилистической доводки кода и комментариев может потребоваться дополнительная обработка.
ChatGPT
- хорош, если промпт нужно не только исполнить, но и докрутить по ходу работы;
- удобно вести серию итераций: сначала каркас, потом добавить типизацию, потом покрыть тестами;
- помогает быстро проверить несколько вариантов одной и той же архитектурной идеи.
На чем выигрывает: на работе в несколько проходов, где промпт постепенно уточняется и шлифуется.
Ограничения: при недостаточно жесткой инструкции может отклоняться от заданных ограничений и добавлять лишние библиотеки.
Ты – опытный Python-разработчик. Напиши код строго по данным ниже.
Если информации достаточно – сразу пиши. Если каких-то данных не хватает для
действительно сильного результата – все равно сначала сделай лучшую возможную
версию, а после кода отдельно укажи, что нужно уточнить.
Данные:
Задача: {что именно должен делать код – одним абзацем}
Тип кода: {функция / класс / модуль / скрипт / CLI-утилита / API-эндпоинт}
Входные данные: {что принимает на вход, типы, ограничения}
Выходные данные: {что должно вернуть или вывести, формат}
Стек: {версия Python, используемые библиотеки, фреймворк если есть}
Ограничения: {что нельзя использовать, какие зависимости запрещены}
Стиль: {PEP 8 / Google Style / другой; нужны ли аннотации типов, docstring}
Обработка ошибок: {что нужно обрабатывать, как реагировать на исключения}
Тесты: {нужны ли unit-тесты, какой фреймворк – pytest / unittest}
Дополнительные настройки:
Уровень детализации комментариев: {минимум / нормальный / подробный}
Производительность: {важна ли оптимизация, есть ли ограничения по памяти или скорости}
Дополнительно: {что еще важно учесть}
Требования:
– не добавляй библиотеки, которых нет в стеке;
– не придумывай поведение, которое не указано в задаче;
– типизируй весь код, если не указано иное;
– не пиши заглушки без пояснения;
– если задача неоднозначна – выбери наиболее очевидную интерпретацию и укажи ее.
Что выдать:
Блок 1 – результат
1. Основной код с комментариями.
2. Пример использования (2–3 строки).
3. Тесты, если они запрошены.
Блок 2 – улучшения
1. Что можно улучшить в архитектуре или производительности.
2. Чего не хватило во вводных для более точного результата.
3. Альтернативный подход к реализации, если он есть.
Сценарий "Быстро и бюджетно"
Этот сценарий нужен, когда скриптов много, задачи типовые, а дорогую модель нет смысла подключать к каждому первому проходу.
Важные критерии: Экономно Аналитик
- нужно быстро сделать серию черновых скриптов под разные задачи – парсеры, конвертеры, автоматизация;
- требуется поток вариантов для экспериментов, прототипирования и внутренних правок;
- важны доступность без VPN и большое число бесплатных ответов;
- код потом все равно будет редактироваться вручную или проходить ревью.
Лучшие модели:
DeepSeek – ⭐⭐⭐⭐⭐ 5/5
Qwen – ⭐⭐⭐⭐☆ 4.5/5
GLM – ⭐⭐⭐☆☆ 3.5/5
DeepSeek
- дает сильный баланс между качеством кода, скоростью и доступностью без VPN и без дорогой подписки;
- помогает быстро собрать рабочую основу, которую потом легко довести вручную;
- хорош, когда нужно делать много черновых скриптов и адаптаций без дорогого прогона.
Когда его брать: если нужен основной бюджетный инструмент для массовой работы с Python-кодом.
Ограничения: для самых сложных задач с длинными вводными и тяжелой архитектурой может быть не первым выбором.
Qwen
- берите, когда вход длинный, а тратить дорогую модель на первый проход не хочется;
- помогает быстро разобрать объемное ТЗ и собрать из него внятный каркас кода;
- особенно полезен, когда черновик надо делать не из пары строк, а из нормального массива требований.
Где дает лучший результат: когда нужно недорого обработать объемный вход и быстро собрать рабочую основу.
Ограничения: код может потребовать дополнительной доводки по стилю и читаемости.
GLM
- берите для черновика, когда нужно быстро сдвинуть задачу с нуля;
- годится, чтобы собрать основу: простую функцию, базовый класс, типовой скрипт;
- хорошо работает как первый проход, после которого код уже проще дотянуть вручную или отдать другой модели.
Когда его брать: если задача типовая, вход простой и нужно быстро сдвинуться с места без лишних затрат.
Ограничения: на финальную версию сложного кода его лучше не оставлять.
Сценарий "Длинный контекст и большой проект"
Этот сценарий нужен, когда код пишется не с нуля по одной задаче, а в контексте большого проекта: несколько файлов, сложные зависимости, длинная документация или объемное ТЗ.
Важные критерии: Контекстуал Аналитик Структуратор
- нужно написать новый модуль, не нарушив существующую архитектуру проекта;
- есть длинный файл с кодом, который нужно рефакторить с сохранением всей логики;
- на входе несколько документов: ТЗ, схема базы данных, описание API и старый код – все нужно свести вместе;
- один класс или функция зависит от десятков других, и важно не потерять ни одну связь при изменении.
Лучшие модели:
Claude – ⭐⭐⭐⭐⭐ 5/5
Qwen – ⭐⭐⭐⭐☆ 4.5/5
Kimi – ⭐⭐⭐⭐☆ 4/5
Claude
- сохраняет больше важных деталей, когда вход большой и разнородный: несколько файлов, схемы, ТЗ;
- хорошо собирает одно цельное решение из нескольких источников, а не из одного короткого запроса;
- полезен, когда нельзя потерять нюансы по архитектуре, зависимостям или ограничениям проекта.
Где дает лучший результат: когда нужно перейти от хаоса исходников к одному собранному модулю без потерь по смыслу.
Ограничения: менее удобен по доступности из РФ и не всегда нужен на этапе грубой первичной очистки кода.
Qwen
- хорош, когда материалов много, а запускать дорогую модель на каждом проходе не хочется;
- держит длинный вход и помогает быстро разложить его в понятную структуру модулей;
- подходит и для промежуточной сборки, и для основного черновика в рамках большого проекта.
На чем выигрывает: на длинных вводных, где нужен баланс между объемом входа и стоимостью работы.
Ограничения: по качеству удержания очень длинного контекста может уступать Claude на самых сложных задачах.
Kimi
- берите, когда сначала нужно расчистить большой массив кода или документации, а уже потом писать;
- помогает сжать длинные материалы, вытащить главное и убрать шум до финальной сборки;
- особенно полезен как промежуточный слой перед основным драфтом – разобрать, что есть, и структурировать.
Когда раскрывается лучше всего: на этапе предварительной очистки, сжатия и извлечения структуры из большого массива материалов.
Ограничения: чаще полезен как промежуточный слой, а не как главный инструмент для финального кода.
Сценарий "Дебаг, анализ и критика кода"
Нужен, когда слабое место – не написание нового кода, а поиск ошибки, объяснение неожиданного поведения, оценка качества или предложение рефакторинга.
Важные критерии: Аналитик Контекстуал Структуратор
- код падает с ошибкой и нужно понять не только что сломалось, но и почему;
- нужно получить честную оценку качества кода: что плохо, что избыточно, что можно упростить;
- есть рабочий, но грязный код – нужен рефакторинг с объяснением каждого изменения;
- нужно объяснить поведение чужого кода, который достался в наследство без документации.
Лучшие модели:
Claude – ⭐⭐⭐⭐⭐ 5/5
DeepSeek – ⭐⭐⭐⭐☆ 4.5/5
Qwen – ⭐⭐⭐⭐☆ 4/5
Claude
- хорошо держит весь контекст кода при анализе: не теряет переменные, зависимости и побочные эффекты;
- помогает убрать смысловые провалы в логике, если проблема не в синтаксисе, а в архитектуре;
- нужен там, где код должен выдерживать рациональную проверку, а не просто запускаться без ошибок.
На чем выигрывает: на задачах, где нужно найти причину ошибки, а не просто исправить симптом.
Ограничения: не самый экономичный вариант для постоянных массовых прогонов при дебаге мелких скриптов.
DeepSeek
- помогает развернуть анализ кода в прямые и понятные объяснения без лишней упаковки;
- хорошо подходит для деловых задач, где важна ясность: что именно сломано и как именно починить;
- дает сильную рабочую основу для рефакторинга, если нужно быстро собрать список улучшений.
Когда его брать: когда нужна логика, внятный разбор ошибки и нормальный темп работы без дорогого входа.
Ограничения: если вход очень длинный и многослойный, могут быть более сильные варианты по удержанию контекста.
Qwen
- хорош, когда анализ строится на большом куске кода, а не на коротком фрагменте;
- помогает сначала разложить проблему на части, а потом уже предложить решение по каждой;
- удобен как доступный вариант для смыслового разбора перед финальным рефакторингом.
Где дает лучший результат: когда анализ кода должен опираться на длинный вход и большое число зависимостей.
Ограничения: финальный рефакторинг может потребовать отдельной стилистической обработки.
Сценарий "Актуальные библиотеки и документация"
Этот сценарий нужен, когда важно не просто написать код, а убедиться, что используемые методы, классы и API актуальны для текущей версии библиотеки.
Важные критерии: Исследователь Аналитик
- нужно знать, какой метод сейчас рабочий, а какой устарел или удален в новой версии библиотеки;
- есть код, написанный под старую версию Python или зависимости – нужно понять, что нужно обновить;
- нужно быстро найти пример использования конкретного класса или функции из документации;
- важно получить не просто ответ из обучающих данных, а актуальную информацию с источником.
Лучшие модели:
Perplexity – ⭐⭐⭐⭐⭐ 5/5
Gemini – ⭐⭐⭐⭐☆ 4.5/5
Grok – ⭐⭐⭐⭐☆ 4/5
Perplexity
- ищет информацию в реальном времени и дает ответы с прямыми ссылками на документацию и источники;
- помогает быстро проверить, актуален ли метод, и найти правильный пример использования;
- особенно полезен, когда обучающие данные других моделей могут быть устаревшими по конкретной библиотеке.
Когда его брать: если нужен актуальный ответ с источником, а не ответ из обучающих данных годичной давности.
Ограничения: не лучший выбор для написания сложного кода с нуля – сильнее как вспомогательный слой для проверки фактуры.
Gemini
- хорошо сочетает поиск актуальной информации с возможностью сразу написать рабочий пример кода;
- полезен, когда нужно не просто найти метод, но и сразу получить пример его использования в контексте задачи;
- стоит брать, когда нужна и актуальность данных, и генерация кода в одном проходе.
На чем выигрывает: на задачах, где нужно совместить поиск актуальной документации и быструю генерацию примера.
Ограничения: доступ из РФ может требовать VPN; как единственный основной инструмент уступает универсальным лидерам по глубине анализа.
Grok
- дает актуальную информацию с доступом к внешним источникам, включая свежие обсуждения и релизы;
- полезен, когда нужно быстро понять, что изменилось в конкретной библиотеке в последних версиях;
- хорошо подходит как дополнительный слой для проверки актуальности перед финальным написанием кода.
Когда раскрывается лучше всего: когда нужно отследить свежие изменения в API или библиотеке, которые могли выйти недавно.
Ограничения: для написания сложного кода с нуля уступает аналитическим лидерам; доступ из РФ стоит проверить.
Сильные ИИ-связки для написания кода Python
Одной модели часто хватает для простого скрипта, но на сложных задачах лучше работают связки, где роли разделены по этапам.
Связка 1: Проверка актуальности + написание кода
Связка: Perplexity + Claude или DeepSeek
Когда полезна: нужно написать код с использованием конкретной библиотеки, но неясно, актуальны ли методы.
Шаг 1: Perplexity проверяет актуальную документацию, текущую версию API и рабочие примеры с источниками.
Шаг 2: Claude или DeepSeek пишут рабочий код на основе проверенной фактуры.
Результат: код опирается на актуальные методы, а не на устаревшие данные из обучающего корпуса.
Связка 2: Расчистка контекста + финальная сборка
Связка: Kimi или Qwen + Claude
Когда полезна: на входе большой проект – несколько файлов, длинная документация, старый код без комментариев.
Шаг 1: Kimi или Qwen сжимают вход, структурируют зависимости, вытаскивают ключевые части архитектуры.
Шаг 2: Claude пишет новый модуль или рефакторит существующий на основе этой выжимки.
Результат: меньше потерь по контексту, меньше ручной склейки, более точное попадание в архитектуру проекта.
Связка 3: Бюджетный черновик + аналитическая доводка
Связка: DeepSeek + Claude
Когда полезна: нужно быстро и недорого собрать первую версию кода, а потом проверить ее на прочность.
Шаг 1: DeepSeek делает рабочий черновик с базовой логикой и структурой.
Шаг 2: Claude получает задачу разобрать код на слабые места, провалы в обработке ошибок, архитектурные проблемы и лишние зависимости.
Результат: хороший баланс между скоростью и качеством финальной версии кода.
Связка 4: Генерация вариантов + выбор лучшего
Связка: ChatGPT + DeepSeek
Когда полезна: нужно рассмотреть несколько подходов к реализации и выбрать оптимальный.
Шаг 1: ChatGPT генерирует 2–3 варианта реализации с разными архитектурными подходами.
Шаг 2: DeepSeek анализирует каждый вариант по критериям: производительность, читаемость, сложность поддержки.
Результат: обоснованный выбор подхода, а не случайное использование первого сгенерированного варианта.
Если нужен быстрый выбор
- Если нужен один основной ИИ для Python-кода – ChatGPT или Claude
- Если важнее собранность, логика и длинные вводные – Claude
- Если нужен лучший бюджетный вариант без VPN – DeepSeek
- Если нужно работать с большим проектом или длинным контекстом – Claude, Qwen или Kimi
- Если код строится по подробному ТЗ и сильному промпту – Claude, Qwen или ChatGPT
- Если нужен дебаг, рефакторинг или критика кода – Claude или DeepSeek
- Если нужна актуальная документация или проверка версий библиотек – Perplexity как вспомогательный слой
- Если нужно много черновых скриптов быстро и без затрат – DeepSeek, Qwen или GLM
Список лучших ИИ для написания кода Python из этой статьи
| Модель | Адрес | VPN из РФ | Бесплатный доступ | Комментарий |
| ChatGPT | chatgpt.com | Да | Мало | Универсальный, итерации, варианты |
| Claude | claude.ai | Да | Мало | Длинный контекст, дебаг, архитектура |
| DeepSeek | chat.deepseek.com | Нет | Много | Черновики, анализ, бюджетно |
| Qwen | chat.qwen.ai | Нет | Много | Длинный вход, промпты, бюджетно |
| Kimi | kimi.com | Нет* | Много | Расчистка большого контекста |
| GLM | chatglm.cn | Нет | Средне | Быстрый черновик, простые скрипты |
| Perplexity | perplexity.ai | Нет* | Средне | Актуальная документация, проверка API |
| Gemini | gemini.google.com | Да* | Средне | Поиск + генерация примера кода |
| Grok | grok.com | Да* | Мало | Свежие изменения библиотек и релизы |
| Kimi | kimi.com | Нет* | Много | Расчистка большого контекста |
*Стоит проверить актуальность (данные меняются в обе стороны)
Практические советы перед работой с нейросетью по написанию кода Python
Как не получить шаблонный результат
- Не начинайте с запроса вроде "напиши функцию на Python" – без контекста задачи, входных данных и ограничений почти всегда получится учебный пример, а не рабочий код.
- Сразу указывайте версию Python и ключевые зависимости: это сильно влияет на то, какие методы и синтаксис будут использованы.
- Просите не один вариант, а два-три: основной подход, более простой вариант и, если нужно, оптимизированный по скорости или памяти.
- Добавляйте ограничения: без лишних зависимостей, с аннотациями типов, с обработкой исключений, с docstring – иначе модель пропустит то, что кажется ей необязательным.
- Если код будет использоваться в проекте, сразу давайте контекст: какие другие модули есть, какой стиль именования принят, какие паттерны используются.
Как строить работу по шагам
- Не просите сразу финальный код, если задача сложная: сначала архитектура и декомпозиция, потом реализация по частям, потом сборка и тесты.
- На первом проходе полезно просить не код, а структуру: какие функции нужны, что принимает каждая, что возвращает, какие зависимости между ними.
- Если исходников много, сначала давайте задачу на сжатие и структурирование, а уже потом на написание – особенно при работе с большим проектом.
- Не смешивайте в одном запросе анализ задачи, выбор алгоритма, написание кода и генерацию тестов – разбивайте на отдельные проходы.
- Для экспериментальных задач сначала собирайте базовую рабочую версию, а уже потом заказывайте оптимизацию или рефакторинг.
Что обязательно перепроверять
- Все импорты и зависимости: модель может использовать метод, которого нет в вашей версии библиотеки, или подключить лишний пакет.
- Обработку граничных случаев: пустой список, None, отрицательные числа, пустая строка – модели часто пропускают их без явного указания.
- Логику работы с побочными эффектами: изменение переданных объектов, работа с файлами, сетевые запросы – здесь чаще всего прячутся скрытые ошибки.
- Все аннотации типов и docstring: если они есть, проверьте, что они соответствуют реальному поведению функции, а не просто скопированы из запроса.
- Тесты: если модель написала тесты, убедитесь, что они действительно проверяют поведение, а не просто вызывают функцию и проверяют, что она не падает.
