AI в SDLC: путь от ассистентов к агентам
Расширенная версия доклада о том, как инженерные команды переходят от AI-ассистентов к агентским сценариям и перестраивают процессы разработки под Software Engineering 3.0.
Источник
Telegram: book_cube
Основной пост к докладу со структурой тем и контекстом выступления.
Ключевая траектория
Ассистенты: copilot-режим в IDE
Первые сценарии фокусировались на автодополнении, генерации шаблонов и ускорении локальной разработки.
Переход к агентам
Агент действует по цели: планирует шаги, вызывает инструменты, работает с репозиторием и возвращает измеримый результат.
От point-solution к платформе
Нужны протоколы и единая инфраструктура: контекст, безопасность, аудит, управление доступом и стандартизированные интеграции.
Software Engineering 3.0
SDLC смещается к модели «человек задаёт намерение, агент исполняет, человек валидирует и принимает решение о релизе».
Агентские сценарии в практике платформы
- Агентский режим в продуктовой разработке (демо на кейсе игры «5 букв»).
- Агент в python notebook для работы с данными и ускорения аналитического цикла.
- Агент для QA и генерации test-cases с акцентом на покрытие рисковых сценариев.
- Агент для code review: поиск дефектов, smell-паттернов и нарушений стандартов.
- Агент по поиску уязвимостей (safeliner) в контуре secure SDLC.
Связанная глава
Программирование смыслов
Переход к intent-driven разработке и продуктово-ML циклам.
Инфраструктура и экономические драйверы
Экономика агентности
Снижение стоимости compute и рост качества foundation-моделей делают многошаговые агентские сценарии практичными.
Протоколы интеграции
MCP и A2A-подходы уменьшают стоимость подключения инструментов и упрощают оркестрацию agent-to-tool и agent-to-agent flows.
Инструментальная база
Практика уже смещается к специализированным агентам и CLI-режимам (например, Claude Code, OpenAI Codex).
Управление и регулирование агентности
- Модель управления агентами должна задавать уровни автономности и границы принятия решений.
- Критичные действия (security, prod-конфиги, миграции) требуют human-in-the-loop и трассируемого approval flow.
- Оценка результата должна включать не только скорость, но и качество: дефекты, уязвимости, стоимость отката.
- Агентские метрики становятся частью DX-платформы и инженерного управления на уровне организации.
Смежная тема
Observability & Monitoring Design
Как строить измеримый feedback loop для production-платформ.
Измерение эффективности ассистентов и агентов
Продуктивность
Lead time, cycle time, throughput, time-to-first-PR
Качество
Defect escape rate, rework rate, flaky tests, review findings
Надежность и безопасность
Security findings, policy violations, rollback rate, incident impact
Принятие инженерами
DAU/WAU, retention, доля задач с агентами, причины отказа
Ссылки и материалы
YouTube: AI в SDLC
Полная версия выступления.
VK Video
Альтернативная площадка для просмотра выпуска.
Telegram: основной пост
Структура доклада и ключевые акценты по теме.
Предыдущий доклад
Вводная рамка по внедрению AI в процессы разработки.
Подборка источников (часть 1)
Разбор ссылок по агентам, кейсам и практикам.
Подборка источников (часть 2)
Продолжение материалов для углубленного изучения.
Опрос AI в разработке
Исследование влияния AI на software engineering в России.