Разработка на AI-агентах, а не вручную
Передаю агентам повторяющуюся часть работы команды: типовые задачи, тесты, сборку, отчеты. Ставлю это в ваших репозиториях, пишу правила и учу команду.
Линия: CTO по подписке
Кому это нужно
Продуктовые компании, e-com и финтех с собственной разработкой 5–50 человек.
Что я делаю
- Разбираю, чем занята команда и какие работы повторяются
- Настраиваю агентов под ваш стек, задачи и стиль кода
- Ставлю проверки: что агент делает сам, что уходит на ревью
- Пишу правила работы и обучаю команду на ее же задачах
Как это идет по неделям
Недели 1–2 · что вообще делает команда
Смотрю по задачам и репозиториям, на что уходят часы. Разделяю работу на повторяющуюся и ту, где нужен инженер. Считаю, сколько стоит первая.
Недели 3–6 · один участок целиком
Беру одну команду или один тип задач и довожу до рабочего состояния: агенты, правила, проверки — в ваших репозиториях. Не демонстрация, а то, чем пользуются каждый день.
Недели 6–7 · правила и обучение
Что агент делает сам, что идет на ревью, как проверять результат, что нельзя отдавать вообще. Команда учится на своих задачах.
Неделя 8 и дальше · замер и раскатка
Сравниваем с метриками «до». Что сработало — переносим на остальные команды, что нет — говорим вслух.
Чего я не обещаю
Здесь важнее сказать, где это не работает — иначе первый же провал спишут на метод.
Агенты плохо работают в чужой зрелой кодовой базе, которую человек знает годами: в рандомизированном исследовании METR опытные разработчики на таких задачах были с ИИ на 19% медленнее. Ускорение дает новый код по заданной архитектуре, типовые повторяющиеся правки и тесты — а не разбор легаси, который ваш инженер и так держит в голове.
И второе: без постановки агент бесполезен. Он не задает уточняющих вопросов — он молча размножит ошибку проектирования на сотни файлов. Поэтому в моей работе половина времени уходит на схемы, структуры данных и границы, и только потом начинается код.
Что замеряем
- доля задач, которые выполня