Интеграция ИИ-агентов в процесс разработки программного обеспечения для повышения производительности команды
Для повышения эффективности разработки программного обеспечения внедрили экосистему ИИ-агентов, интегрированных со средами разработки и локальными языковыми моделями (LLM). Решение позволило автоматизировать анализ проектов, генерацию кода, поиск ошибок, исследование архитектуры приложений, подготовку документации, анализ логов и выполнение рутинных задач без изменения существующих процессов разработки.
Клиент
ИТ-компания, занимающаяся разработкой корпоративного программного обеспечения и развитием внутренних цифровых сервисов.
Задача
-
сократить время разработки нового функционала;
-
ускорить погружение разработчиков в существующие (Legacy) проекты;
-
автоматизировать анализ архитектуры приложений;
-
снизить трудозатраты на анализ журналов системы (логов), последовательностей вызовов при сбоях (стек-трейсов) и поиск причин ошибок.
-
автоматизировать подготовку технической документации и спецификаций;
-
обеспечить возможность безопасного использования ИИ без передачи корпоративных данных во внешние сервисы;
-
повысить качество программного кода за счет автоматизированного анализа и ревью;
-
стандартизировать процессы разработки с использованием ИИ-инструментов.
Решение
Было внедрено комплексное решение, которое включало:
-
использование ИИ-агента KiloCode в качестве помощника разработчика;
-
интеграцию с локальными большими языковыми моделями (LLM) через LM Studio — приложение для запуска ИИ-моделей — и совместимый с OpenAI программный интерфейс (API);
-
применение Skills — пользовательских навыков и сценариев — и Sub-agents — вспомогательных ИИ-агентов — для автоматизации типовых операций;
-
подключение MCP-серверов — программ-посредников для взаимодействия с внешними сервисами, репозиториями Git, программными интерфейсами REST API и внутренними системами;
-
использование Agent Memory — памяти ИИ-агента на основе файлов Markdown — для хранения архитектурной информации и знаний о проекте;
-
применение RAG-подхода — генерации ответов с поиском по корпоративным данным — и векторных баз данных для работы с документацией;
-
использование ИИ для анализа журналов системы, Docker-инфраструктуры, удаленных серверов и диагностики ошибок;
-
внедрение разработки на основе спецификаций (Specification Driven Development) с автоматическим формированием требований, пользовательских сценариев и плана реализации.
Результат
-
значительно сократить время выполнения типовых задач разработчиков;
-
ускорить разработку MVP и новых функциональных возможностей;
-
автоматизировать исследование архитектуры существующих проектов;
-
сократить время поиска и устранения ошибок в программном обеспечении;
-
автоматизировать генерацию технической документации и проектных спецификаций;
-
повысить качество проверки кода (Code Review) и анализа изменений;
-
обеспечить непрерывную работу разработчиков с сохранением контекста проекта;
-
организовать безопасное использование локальных моделей искусственного интеллекта внутри корпоративной инфраструктуры.
Бизнес-эффект
Внедрение ИИ-агентов позволило получить следующие бизнес-эффекты:
-
увеличение производительности команд разработки;
-
сокращение сроков реализации новых функций и проектов;
-
снижение затрат на выполнение рутинных операций;
-
ускорение адаптации новых сотрудников при работе с Legacy-проектами;
-
повышение качества программного обеспечения благодаря автоматизированному анализу кода и архитектуры;
-
снижение рисков утечки конфиденциальной информации за счет использования локальных LLM;
-
формирование единой методологии применения искусственного интеллекта в процессе разработки;
-
создание технологической базы для дальнейшей автоматизации процессов разработки и сопровождения ПО.
Технологии
-
KiloCode;
-
Claude Code;
-
локальные LLM-модели (Qwen 3 Coder, Qwen 3.6 Coder, Gemma);
-
LM Studio;
-
MLX;
-
VLLM;
-
OpenAI Compatible API;
-
MCP (Model Context Protocol);
-
Function Calling;
-
RAG (Retrieval-Augmented Generation);
-
векторные базы данных (Vector DB);
-
Agent Memory (Markdown);
-
Skills и Sub-agents;
-
LangChain;
-
LangGraph;
-
Docker;
-
Git;
-
REST API;
-
IntelliJ IDEA и другие IDE;
-
локальная инфраструктура искусственного интеллекта;
-
Specification Driven Development (SpecKit).
