AI в SDLC становится по-настоящему интересным в тот момент, когда ассистент перестает подсказывать и начинает участвовать в рабочем контуре на правах исполнителя.
Глава показывает, как агентные сценарии меняют инструменты разработки через протоколы, управление доступом, оценивание и реальные ограничения внедрения в команде.
В архитектурном разборе этот материал помогает обсуждать границы автономии, модель доверия и место AI в инженерном процессе без расплывчатых разговоров о будущем разработки.
Практическая польза главы
Эволюция SDLC
Глава помогает увидеть, как AI переходит от режима подсказок к участию в реальном контуре разработки.
Границы автономии
Материал удобно использовать для разговора о том, какие действия агенту можно доверять, а где нужен человек в контуре.
Измерение эффекта
Здесь хорошо видно, почему для AI в SDLC мало говорить о скорости, если не измерять качество, безопасность и стоимость отката.
Материал для интервью
Это сильный кейс для обсуждения AI в SDLC через протоколы, управление доступом, оценивание и организационные ограничения.
AI в SDLC: путь от ассистентов к агентам от Александра Поломодова
Расширенная версия доклада о том, как инженерные команды переходят от AI-ассистентов к агентским сценариям и перестраивают процессы разработки вокруг подхода, который автор называет Software Engineering 3.0.
Источник
Telegram: Книжный куб
Основной пост к докладу со структурой тем и контекстом выступления.
Ключевая траектория
Ассистенты: режим напарника в IDE
Первая волна сценариев сводилась к автодополнению, генерации заготовок и ускорению локальной разработки.
Переход к агентам
Агент работает не по одной команде, а по цели: планирует шаги, вызывает инструменты, меняет репозиторий и возвращает проверяемый результат.
От отдельного инструмента к платформе
Для этого нужны общие протоколы и единая инфраструктура: контекст, безопасность, аудит, управление доступом и стандартизированные интеграции.
Software Engineering 3.0
Автор описывает сдвиг к модели, где человек задает намерение, агент исполняет, а человек проверяет результат и решает, можно ли выпускать изменения.
Агентские сценарии в практике платформы
- Агентский режим в продуктовой разработке на примере игры «5 букв».
- Агент в Python-ноутбуке для работы с данными и ускорения аналитического цикла.
- Агент для тестирования и генерации тестовых сценариев с акцентом на рискованные кейсы.
- Агент для проверки кода: поиск дефектов, запахов в коде и нарушений стандартов.
- Агент для поиска уязвимостей (safeliner) в контуре безопасной разработки.
Связанная глава
Программирование смыслов от Алексея Гусакова (CTO Yandex)
Переход к разработке через намерение и связанным продуктово-ML циклам.
Инфраструктура и экономические драйверы
Экономика агентности
Снижение стоимости вычислений и рост качества базовых моделей делают многошаговые агентские сценарии практичными.
Протоколы интеграции
Подходы MCP и A2A снижают стоимость подключения инструментов и упрощают оркестрацию связок «агент -> инструмент» и «агент -> агент».
Инструментальная база
Практика уже смещается к специализированным агентам и режимам работы через CLI, например Claude Code и OpenAI Codex.
Управление и регулирование агентности
- Подход к управлению агентами должен задавать уровни автономности и границы принятия решений.
- Критичные действия, например работа с безопасностью, рабочими конфигурациями и миграциями, требуют участия человека в контуре и прослеживаемого согласования.
- Оценка результата должна учитывать не только скорость, но и качество: дефекты, уязвимости и цену отката.
- Метрики агентских сценариев становятся частью инженерной платформы и управленческого контура вокруг нее.
Смежная тема
Observability & Monitoring Design
Как строить измеримый контур обратной связи для рабочих платформ.
Измерение эффективности ассистентов и агентов
Продуктивность
время до результата, длительность цикла, пропускная способность, время до первого запроса на слияние
Качество
доля дефектов, дошедших до пользователя, объём переделок, нестабильные тесты, замечания при проверке кода
Надежность и безопасность
находки по безопасности, нарушения политик, доля откатов, влияние инцидентов
Использование командами
DAU/WAU, удержание, доля задач с агентами, причины отказа
Ссылки и материалы
YouTube: AI в SDLC
Полная запись доклада.
VK Video
Альтернативная площадка для просмотра выпуска.
Telegram: основной пост
Структура доклада, ссылки и основные акценты по теме.
Предыдущий доклад
Предыдущая рамка разговора о внедрении AI в процессы разработки.
Подборка источников (часть 1)
Подборка ссылок по агентам, кейсам и инженерным практикам.
Подборка источников (часть 2)
Продолжение материалов для более глубокого изучения темы.
Опрос AI в разработке
Исследование о том, как AI меняет инженерные практики в России.
Связанные главы
- AI Engineering - Практики внедрения AI в рабочий контур: жизненный цикл, риски, качество и эксплуатация.
- Prompt Engineering for LLMs - Проектирование намерения и ограничений для стабильного поведения агентных сценариев.
- Программирование смыслов от Алексея Гусакова (CTO Yandex) - Дополняет тему переходом к разработке через намерение и связанным продуктово-ML циклам.
- Observability & Monitoring Design - Метрики, алертинг и контур обратной связи для ассистентов и агентов в рабочей системе.
- Тестирование распределённых систем - Подходы к валидации надежности и контролю регрессий в сложных системах.