Статья представляет исследование применения LLM-агентов для написания и поддержки кода в научных вычислениях, с особым фокусом на науки о жизни, включая высокопроизводительное секвенирование и молекулярное профилирование. Авторы проанализировали 8 кейс-стади использования кодирующих агентов для задач разного масштаба — от лёгкой поддержки до полной переписывания научных библиотек с оптимизацией производительности. Исследование мотивировано системными проблемами экосистемы научных вычислений: техническим долгом и хронической нехваткой инженерных ресурсов для поддержки специализированных инструментов. Результаты показывают значительный потенциал агентного ИИ для ускорения научных исследований и повышения надёжности критических вычислительных систем в биомедицинской сфере. Однако выявлены нерешённые вопросы ответственности и владения проектами, созданными с помощью автономных ИИ-агентов. Авторы рекомендуют сотрудничество с существующими мейнтейнерами научных библиотек при внедрении таких решений. Работа носит разведывательный характер и документирует ранний практический опыт применения автономных ИИ-систем в научной разработке программного обеспечения.