Внедрение ИИ-ассистента KiloCode с локальной LLM-моделью для автоматизации процессов разработки ПО
Внедрили ИИ-ассистент KiloCode, интегрированный с IntelliJ IDEA и локальной большой языковой моделью (LLM). Он помогает писать и анализировать код, находить ошибки, проводить проверку, создавать документацию и работать с системой контроля версий Git. Возможности решения расширяются за счет программ-посредников между ИИ-ассистентом и внешним сервисам (MCP-серверов) и пользовательских навыков (Skills).
Клиент
Крупная ИТ-компания, занимающаяся разработкой корпоративного программного обеспечения.
Задача
-
повышение производительности разработчиков и сокращение рутины;
-
автоматизация генерации кода, тестов, документации и Docker-конфигураций;
-
ускорение анализа журналов работы системы (логов) и поиска причин ошибок;
-
повышение качества проектирования решений;
-
снижение затрат на облачные ИИ-сервисы;
-
защита корпоративных данных благодаря локальной ИИ-инфраструктуре;
-
создание единого инструмента для процессов разработки.
Решение
Комплексное решение включало:
-
интеграцию KiloCode со средами разработки JetBrains: IntelliJ IDEA, PhpStorm и Android Studio;
-
подключение к корпоративной локальной LLM через совместимый с OpenAI программный интерфейс (API);
-
настройку специализированных ролей: архитектора, разработчика, ревьюера, отладчика и других;
-
внедрение Memory Bank — механизма сохранения контекста, планов и прогресса выполнения задач;
-
разработку пользовательских сценариев Skills для автоматизации типовых операций;
-
подключение MCP-серверов для работы с Git, базами данных, журналами системы, документацией и внешними сервисами;
-
безопасное автоматическое выполнение разрешенных команд разработчика.
Результат
В результате внедрения удалось:
-
автоматизировать значительную часть ежедневных задач разработчиков;
-
существенно ускорить подготовку изменений и документации;
-
сократить время анализа логов и поиска ошибок;
-
автоматизировать подготовку журнала изменений (ChangeLog), описаний новых версий (Release Notes) и запросов на добавление изменений в код (Pull Request).
-
повысить скорость разработки небольших и средних функциональных изменений;
-
обеспечить возможность продолжения выполнения задач после прерывания работы благодаря сохранению контекста;
-
использовать локальную ИИ-модель без передачи исходного кода во внешние сервисы.
Бизнес-эффект
Внедрение решения позволило компании получить следующие бизнес-эффекты:
-
повышение производительности команд разработки;
-
уменьшение времени вывода изменений в промышленную эксплуатацию;
-
снижение затрат на использование коммерческих облачных ИИ-сервисов;
-
повышение качества создаваемого программного обеспечения за счет автоматизированного анализа и проверки кода;
-
повышение уровня информационной безопасности благодаря обработке данных внутри корпоративной инфраструктуры;
-
создание масштабируемой платформы для дальнейшего внедрения ИИ-инструментов в процессы разработки.
Технологии
-
KiloCode;
-
IntelliJ IDEA;
-
JetBrains Platform;
-
Android Studio;
-
PHPStorm;
-
локальные LLM-модели (Qwen 3.6 и другие);
-
OpenAI Compatible API;
-
MCP (Model Context Protocol);
-
Memory Bank;
-
Skills (Markdown Skills);
-
Git;
-
Docker;
-
Python;
-
Node.js (NPM);
-
GitLab;
-
Markdown;
-
локальная инфраструктура искусственного интеллекта;
-
API-интеграции с внешними сервисами и системами анализа кода.
