Канал Tech With Tim відомий практичними розборами інструментів для розробників. У свіжому великому гайді автор показує, як перетворити PyCharm на середовище для професійної AI‑розробки. Окремий акцент — на тому, як навчити AI‑агента працювати з вашим кодом і інфраструктурою через Model Context Protocol (MCP), правила (rules) та скіли (skills).
Це вже не про «попросити модель щось дописати», а про побудову повноцінного асистента всередині IDE, який вміє створювати репозиторії, дотримуватися ваших командних політик і виконувати повторювані воркфлоу за описом у Markdown‑файлах.
Від вибору агента до локальних моделей
У PyCharm AI‑функції працюють через «агентів» — спеціальні оболонки навколо мовних моделей. Вбудовано кілька варіантів, зокрема Junie, Claude та Codex, і між ними можна вільно перемикатися в панелі AI Assistant.
Окремо підкреслюється: якщо стандартних агентів недостатньо, їх можна розширювати.
Автор наголошує, що в PyCharm «можна встановити інші типи агентів з ACP directory… якщо хочете використовувати локальну модель, ви на 100% можете це зробити». ACP‑директорія тут виступає як каталог сторонніх агентів, які можна під’єднати до IDE, не обмежуючись JetBrains‑кредитами чи вбудованими підписками.
Також у налаштуваннях є розділ Providers and APIs, де можна:
- під’єднати власний обліковий запис для GPT замість підписки JetBrains;
- додати сумісних провайдерів, зокрема локальні: згадуються опції на кшталт LM Studio та Ollama, які під’єднуються через URL і дозволяють використовувати локальні моделі без хмарних викликів.
Ключовий момент: агент — це не сама модель, а «harness», набір інструментів, контекстної логіки та інтеграцій навколо моделі. Власне MCP‑сервери, правила і скіли живуть саме в цьому шарі.
Як підключити GitHub через MCP у PyCharm
Щоб AI‑агент дійсно працював із вашим кодом і репозиторіями, його потрібно «прив’язати» до зовнішніх сервісів. Для цього у PyCharm інтегрований Model Context Protocol.
Логіка роботи така: у вас є AI‑агент у PyCharm, а MCP‑сервери надають йому інструменти — наприклад, API для роботи з GitHub. Далі агент може викликати ці інструменти самостійно, виконуючи завдання з чату.
Автор демонструє повний шлях підключення GitHub MCP‑серверу.
По‑перше, потрібно знайти відповідні налаштування: «Щоб потрапити до MCP servers, я можу піти в settings і просто пошукати MCP… знайду Model Context Protocol і клікну у в’ю». Після цього вікно налаштувань дозволяє додавати нові MCP‑конфігурації.
Далі обирається варіант через HTTP, а конфігурація для GitHub MCP серверу береться з офіційної документації GitHub. У PyCharm створюється запис з типом, URL та заголовками. У полі Authorization використовується Bearer‑токен.
Критичний крок: «Я збираюся замінити це значення тут моїм GitHub personal access token… і тоді можу натиснути, і воно має під’єднатися». Для цього в GitHub у профілі через Developer settings створюється personal access token (класичний), з правами принаймні на repo і user. Згенерований токен вставляється в поле Authorization у форматі Bearer <token>.
Після збереження конфігурації MCP у PyCharm з’являється можливість протестувати, чи бачить агент підключений GitHub MCP‑сервер. У чаті достатньо запитати агента, чи він з’єднаний та які інструменти йому доступні. За потреби допомагає створення нового чату, щоб сесія «побачила» нову конфігурацію.
Коли Git стає інструментом агента
Після успішного підключення GitHub MCP‑серверу агент отримує доступ до дій із Git, які раніше вимагали ручної роботи в CLI або клієнті Git. Тепер це робиться через звичайний текстовий запит в AI‑чаті.
Формулювання з прикладу звучить однозначно: «Тепер будь‑що, що ми хочемо робити з Git, ми можемо просто сказати агенту… зроби новий публічний GitHub‑репозиторій і запуш усі код із цього проєкту». Агент використовує GitHub MCP як «руки», які створюють репозиторій, налаштовують remote origin і штовхають туди код.
У наведеній демонстрації агент:
- створює новий публічний репозиторій на GitHub;
- додає його як remote origin для локального Git‑репозиторію в проєкті PyCharm;
- пушить весь код у цей репозиторій.
В IDE усе це прозоро відслідковується у вікні Git: видно створений remote, зроблені коміти, операції з push. На GitHub у репозиторії в історії відображається, що код був завантажений спільно Tech With Tim і Junie Agent.
Такий спосіб роботи радикально змінює роль агента: він не просто «пише код», а виконує реальні дії з інфраструктурою, спираючись на інструкції MCP‑серверу та дозволи, закладені в GitHub‑токені.
Правила: постійні інструкції в кожному промпті
Щойно агент отримує інструменти, постає питання контролю. Як зробити так, щоб він поводився узгоджено з командними практиками: комітив важливі зміни, не ліз у певні частини системи або завжди робив додаткові перевірки?
Для цього в PyCharm є механізм правил (rules), які завжди додаються до контексту кожного запиту до агента. Вони зберігаються як Markdown‑файли в окремій директорії проєкту.
«Rule — це те, що завжди буде інжектитись у промпт щоразу, коли ви спілкуєтесь з агентами… я можу сказати: завжди коміть усі великі зміни в Git перед тим, як продовжити». У прикладі створюється правило always commit.md в папці AI Assistant rules. У ньому прописується проста, але показова інструкція: «Завжди коміть усі великі зміни в Git перед тим, як продовжити».
PyCharm дозволяє обрати, як застосовується правило (наприклад, глобально для проєкту або для певних сценаріїв). Після цього воно стає частиною контексту кожної взаємодії агента з цим кодовим базисом.
Важлива деталь: такі правила варто додавати до Git‑репозиторію, щоб інші члени команди успадковували той самий набір інструкцій. Тоді AI‑асистент працює за єдиними правилами для всіх розробників, що підвищує передбачуваність змін, зроблених агентом.
Скіли: задокументовані воркфлоу, які читає агент
Якщо правила задають загальні поведінкові норми, то скіли відповідають за повторювані сценарії роботи. Це окремий рівень над інструментами MCP: замість того щоб кожного разу довго пояснювати агенту, як саме деплоїти сервіс чи проводити аудит безпеки, це можна один раз описати в skill‑файлі.
У PyCharm це формулюється так: «Skill — це повторно використовуваний workflow, який агент може динамічно читати, коли йому треба зробити щось задокументоване чи часте». Скіли зберігаються у вигляді Markdown‑документів у спеціальній директорії для конкретного агента.
Skill hub: вбудований каталог готових сценаріїв
Для керування скілами в PyCharm є окремий інтерфейс. У налаштуваннях достатньо пошукати «skills»: «Є skill hub, вбудований у PyCharm… ви можете встановлювати готові skills або імпортувати свої, просто поклавши їх у правильну папку».
У Skill Hub можна:
- переглядати встановлені скіли;
- шукати нові за ключовими словами (наприклад, для бекенд‑розробки чи безпеки);
- встановлювати їх для конкретних агентів (скажімо, для Codex або Junie).
Як приклад показується встановлення скіла з рекомендаціями з безпеки. Після інсталяції цей workflow стає доступним агенту, і той може використовувати його при відповідних запитах.
Власні скіли: від структури проєкту до складних процесів
Окрім каталогу, PyCharm дозволяє створювати власні скіли. Це можна зробити двома шляхами: або вручну, створюючи Markdown‑файл у директорії skills потрібного агента, або прямо через агента, попросивши його «згенерувати» skill.
В одному з прикладів агенту дають завдання: створити скіл, який описує стек проєкту — які фреймворки та інструменти використовуються, щоб надалі можна було швидко пояснювати це будь‑якому учаснику процесу. У відповідь агент генерує новий skill‑файл у директорії Junie, із назвою й описом, після чого цей документ стає частиною проєкту.
Коли скіл створено, агент може його читати. Якщо у чаті дати запит на кшталт «Який стек у цього проєкту? Використовуй skill project stack», агент:
- оновлює інформацію про доступні скіли (у чаті видно повідомлення типу skills update);
- читає вміст відповідного Markdown‑файла;
- відповідає, спираючись на його текст.
Так описується принцип роботи: «Якщо ви попросите агента зробити щось, що передбачає використання skill, він має використати його автоматично… він читає skill‑документ». Це означає, що добре продумані скіли фактично перетворюють ваші внутрішні процедури, гайди й чеклісти на частину «пам’яті» агента, доступну йому в режимі реального часу.
Як це все працює разом
Зв’язка «агент + MCP + правила + скіли» у PyCharm формує більш зрілий рівень AI‑асистента в IDE:
- MCP‑сервери розширюють агента реальними інструментами — від GitHub до інших сервісів, з якими він може працювати через API.
- Правила задають рамки поведінки, які постійно вшиваються в кожну взаємодію: звичні для команди практики (наприклад, обов’язкові коміти) перетворюються на «закон» для агента.
- Скіли описують конкретні повторювані або складні воркфлоу — від деплою до безпекових перевірок — і дозволяють агенту виконувати їх без багаторазового пере-пояснення.
У результаті AI‑агент перестає бути просто «розумним автодоповненням» і стає інструментом, який розуміє ваш стек, дотримується командних практик і може самостійно працювати з інфраструктурою проєкту через стандартизований протокол.
Для команд, які будують серйозні AI‑асистенти в IDE, підхід, продемонстрований у цьому відео, показує, що ключ до контрольованого й корисного агента не в «найпотужнішій моделі», а в хорошій інтеграції MCP, чітко прописаних правилах і грамотно задокументованих скілах.
Джерело
How I Set Up Python for Professional AI Development — Tech With Tim