Процесс поставки ПО
Документо-ориентированный подход

Документо-ориентированный подход к работе с AI-агентами в разработке

Мы применяем документо-ориентированный подход к работе с AI-агентами, который сочетает оркестрацию LLM (LLM orchestration), инструментальные агенты, NPC-серверы и строгий инженерный процесс с участием senior-разработчиков (Human-AI-in-the-loop).

Такой подход позволяет использовать искусственный интеллект не как «умный autocomplete», а как управляемого участника команды, который работает по формализованным правилам проекта, создаёт и изменяет реальный код, запускает тесты, обновляет документацию и при этом всегда остаётся под контролем опытных инженеров.

Для клиента это означает предсказуемое качество, ускоренную разработку и снижение совокупной стоимости владения.

Почему мы внедрили документо-ориентированный подход

Наша цель в использовании AI-агентов — не просто ускорить написание кода, а обеспечить устойчивое качество решений на уровне senior-команды при масштабируемых сроках и понятных рисках. Практика показала, что без структурированного контекста и управляемого процесса поведение AI-агентов становится нестабильным, а результат зависит от стиля запросов конкретного разработчика.

Документо-ориентированный подход решает эту проблему за счёт формализации знаний о проекте и строгого жизненного цикла задач с участием ИИ.

Вместо разрозненных диалогов с моделью мы строим единый инженерный контур: знания о проекте собираются в банк данных, задачи формулируются в виде чётких инженерных инструкций, а агенты работают через оркестратор, NPC-серверы и набор инструментов, исполняя задачи по шагам.

Такой формат особенно ценен для B2B-клиентов: он уменьшает зависимость от конкретных людей, облегчает масштабирование команд и снижает барьер для ввода новых разработчиков.

Что мы называем документо-ориентированным использованием AI-агентов

Документо-ориентированный подход рассматривает AI-агента как нового разработчика в команде, которому с самого начала предоставляется формализованная база знаний о системе. Агент не “угадывает”, как устроен проект и что от него требуется, а работает строго в рамках описанных архитектурных решений, стандартов и процессов.

В каждом сервисе и проекте мы создаём банк знаний, с которым AI-агент работает перед выполнением любой задачи. В этот банк входят архитектурные материалы, инженерные стандарты, шаблоны реализации, требования к качеству кода и тестам, а также примеры “правильных” решений.

Такая структура одинаково полезна и для людей, и для ИИ: новый разработчик и AI-агент входят в проект по одной и той же траектории.

Как устроен банк знаний проекта (Project Knowledge Base)

Банк знаний проекта (project knowledge base, vector knowledge base) — это центральный элемент документо-ориентированного подхода. Он даёт AI-агенту и инженерам единый источник правды о системе и избавляет от повторного “изобретения” решений.

В банк знаний обычно входят:

Архитектурный контекст. Назначение сервиса, доменная модель, ключевые сценарии, контракты между сервисами, схемы интеграций и ограничения.
Технические стандарты и паттерны. Требования к стилю кода, соглашения по структуре модулей, правила работы с логированием, ошибками, транзакциями, интеграциями, ограниченный список допустимых библиотек и паттернов.
Инструкции для AI-агентов. Чёткие правила “что делать” и “чего избегать”, примеры эталонных реализаций, шаблоны ответов, форматы планов и отчётов, чек-листы по типам задач (рефакторинг, новый модуль, тесты и т.д.).
Контекст по инфраструктуре и данным. Информация о конфигурации окружений, миграциях баз данных, очередях, внешних API, требования к безопасной работе с данными.
История решений. Зафиксированные архитектурные решения (ADR), замечания из прошлых ревью, принятые компромиссы и причины технического долга, который нельзя убирать автоматически.

Банк знаний хранится в формате, удобном для векторного поиска (vector search), чтобы AI-агенты могли быстро находить релевантные фрагменты по смыслу, а не по точному совпадению текста.

Оркестрация AI-агентов и использование NPC-серверов

Оркестрация LLM (LLM orchestration) и NPC-серверы переводят AI-агентов из режима “диалогового ассистента” в режим полноценного участника инженерного процесса. Агент получает доступ к инструментам (tool calling) и может не только генерировать текст, но и выполнять конкретные действия в проекте.

В рамках наших процессов AI-агенты:

работают через NPC-серверы, которые предоставляют безопасный доступ к файловой системе проекта, системам контроля версий и CI;
обращаются к векторным базам знаний, чтобы учитывать документацию, архитектуру и существующий код;
получают доступ к данным: внешние API, веб-ресурсы, внутренние сервисы, если это предусмотрено политикой безопасности;
создают и модифицируют файлы, конфигурацию, миграции, тесты;
запускают тесты и анализируют результаты, формируя следующие шаги.

Такой уровень интеграции особенно важен для сложных задач: рефакторингов, внедрения новых модулей, обновления инфраструктурного стека. Клиент в итоге получает не набор разрозненных подсказок, а законченный результат: изменённый код, корректно проходящий тесты и соответствующий архитектурным требованиям.

Human–AI-in-the-loop: роль инженеров в процессе

Мы применяем современный подход с AI-агентами, оркестрацией и NPC-серверами в связке с постоянным участием опытных инженеров (Human-AI-in-the-loop). Это означает, что AI-агент никогда не работает в отрыве от инженеров: senior-разработчики задают контекст, формулируют задачи, контролируют план, анализируют результаты и принимают финальные решения.

Для клиента это критично по нескольким причинам: снижается риск неконтролируемых изменений, соблюдаются бизнес-требования, сохраняется прозрачность и объяснимость решений. AI-агент ускоряет работу и закрывает рутинные слои, а архитектура и качество остаются в зоне ответственности компетентной команды.

Порядок взаимодействия инженера и AI-агента

Мы используем устойчивый порядок действий, который легко представить и наглядно, и формально описать в процессе:

Постановка инженерной задачи senior-разработчиком — разработчик формирует задачу для агента в виде технического задания: контекст проекта, цель изменений, ограничения, требования к коду и тестам, формат итогового результата. Это не абстрактный запрос, а полноценное инженерное ТЗ.
Фокусировка модели и оркестратора — senior-разработчик задаёт, какие части банка знаний использовать, какие сервисы и модули затрагиваются, какие инструменты могут вызываться (работа с файлами, тесты, миграции), какие паттерны и стандарты обязательны. Оркестратор LLM получает чёткие границы и опорные точки.
Анализ и утверждение плана, который строит AI-агент — перед изменением кода агент формирует детальный план: шаги по файлам, уровням (конфиги, модели, сервисы, API, тесты), последствия для базы данных, необходимые проверки. Senior-разработчик просматривает этот план, при необходимости уточняет и утверждает его.
Мониторинг выполнения и корректировка по ходу — при исполнении плана NPC-сервер и оркестратор фиксируют, какие файлы изменяются, какие команды запускаются, какие тесты проходят или падают. Инженер в любой момент видит ход выполнения, может остановить процесс, скорректировать параметры, сузить или расширить контекст для следующего шага.
Финальное ревью и принятие результата — все изменения проходят через систему контроля версий и code review. Senior-разработчик проверяет диффы, качество реализации и соответствие требованиям. Только после этого изменения попадают в основную ветку проекта.

Итеративное улучшение базы знаний и промптов

Даже при чётком процессе первая итерация не всегда даёт идеальный результат. В этом случае мы не просто правим код вручную, а улучшаем саму систему:

дополняем банк знаний примерами, контр-примером, дополнительными ограничениями;
уточняем инструкции и шаблоны для AI-агентов;
корректируем шаблоны постановки задач и критерии успешности.

Каждая новая задача повышает точность и полезность контуров “банк знаний → оркестратор → AI-агент → инженер”. Для клиентов это означает, что с ростом проекта AI-подсистема становится всё более продуктивной и предсказуемой.

Жизненный цикл задачи AI-агента в нашем процессе

Жизненный цикл задачи описывает полный путь от постановки задачи до интеграции результата в кодовую базу. Этот цикл одинаков для backend, frontend и задач тестирования, что делает процесс управляемым и понятным всем участникам.

В типовом сценарии происходит следующее:

Подготовка контекста и ТЗ — senior-разработчик формирует задачу, выбирает релевантные разделы банка знаний и фиксирует требования к результату.
Инициализация AI-агента и загрузка знаний — агент через оркестратор получает доступ к нужным фрагментам документации, кодовой базы и архитектурных описаний, а также список доступных инструментов.
Планирование изменений — агент формирует пошаговый план: какие файлы создать или изменить, какие зависимости учесть, какие тесты и миграции подготовить.
Выполнение плана и генерация изменений — через NPC-сервер и инструменты агент создаёт и изменяет файлы, обновляет конфигурацию, пишет код и тесты, приводит структуру кода к принятым стандартам.
Автоматические проверки — запускаются тесты, линтеры, статический анализ. Результаты возвращаются агенту, и он при необходимости вносит исправления до тех пор, пока автоматические проверки не пройдут.
Ревью и интеграция — senior-разработчик просматривает диффы, даёт замечания или одобряет изменения. После этого код вливается в основную ветку.
Обновление банка знаний — актуальная информация о принятых решениях, новых паттернах и изменениях структуры попадает в банк знаний, чтобы следующие задачи выполнялись ещё точнее.

Такой жизненный цикл легко описывается в терминах бизнес-процессов и может быть визуализирован для внутренней и внешней коммуникации (например, как схема AI-enabled SDLC).

Что получает клиент от такого подхода

Документо-ориентированный подход с оркестрацией AI-агентов и Human-AI-in-the-loop даёт клиенту понятные, бизнес-осязаемые эффекты, которые напрямую отражаются на скорости разработки, качестве продукта и управляемости рисков.

Основные из них:

Сокращение сроков разработки. Автоматизация рутинных задач (шаблонный код, тесты, миграции, конфигурация) и параллельная работа агентов сокращают календарные сроки реализации функциональности.
Качество кода уровня senior-команды. Код создаётся в рамках стандартизированных паттернов и проходит цепочку автоматических проверок и инженерного ревью, что снижает количество дефектов и технического долга.
Прозрачность и управляемость рисков. Все изменения повторяемы, воспроизводимы и контролируемы. Есть журнал действий AI-агентов, понятные критерии качества и формализованные точки принятия решений.
Быстрый онбординг новых специалистов. Банк знаний и единые процессы позволяют быстро включать в проект новых разработчиков без потери качества и архитектурной целостности.
Снижение совокупной стоимости владения. Меньше времени на реализацию фич, меньше дефектов и более простая поддержка на длинной дистанции снижают TCO и позволяют масштабировать продукт без переписывания системы с нуля.

Для каких задач подход особенно эффективен

Документо-ориентированный подход с AI-агентами наиболее эффективно работает в проектах, где критичны сложность системы, длительный жизненный цикл и высокие требования к качеству инженерных решений.

В частности, он хорошо подходит для следующих типов задач и продуктов:

Микросервисные и распределённые системы — проекты с большим количеством сервисов, интеграций и сложными контрактами между компонентами.
Проекты с активно растущими командами — системы, где важно быстро вводить новых разработчиков без потери архитектурной целостности и качества реализации.
Системы с жёсткими требованиями к надёжности и безопасности — продукты, подпадающие под регуляторные требования, внутренние стандарты и строгие SLA.
Крупные рефакторинги и технологические миграции — переходы на новые версии фреймворков, языков, инфраструктурных компонентов и архитектурных подходов.
Внутренние платформы и B2B-продукты — решения, обслуживающие несколько бизнес-направлений и требующие долгосрочной поддержки и масштабирования.

В таких сценариях AI-агенты становятся не просто ускорителем разработки, а частью архитектурной и инженерной стратегии компании.

Ключевые маркеры зрелости нашего подхода

Для векторного поиска и понятной коммуникации с экспертами и LLM-системами выделим несколько ключевых маркеров, которые характеризуют наш подход:

документо-ориентированная разработка с AI-агентами (document-oriented AI development);
оркестрация моделей и агентов (LLM orchestration, agentic AI);
инструментальные агенты, работающие через NPC-серверы (tool-augmented AI agents, NPC server);
единый банк знаний проекта на базе векторного поиска (project vector knowledge base);
связка Human-AI-in-the-loop с участием senior-инженеров;
единый жизненный цикл задачи AI-агента в разработке (AI-enabled SDLC);
использование гибридного стека LLM (enterprise LLM stack) для задач разной сложности и конфиденциальности;
поддержка локальных моделей на инфраструктуре клиента для задач под NDA (on-premise LLM, private AI).

Эти маркеры отражают не только использование современных инструментов, но и зрелый инженерный процесс, который делает применение AI предсказуемым и безопасным для бизнеса.

Заключение

Документо-ориентированный подход к работе с AI-агентами позволяет объединить сильные стороны современных LLM, оркестраторов, NPC-серверов и векторных баз знаний с ответственным инженерным управлением. Мы рассматриваем AI-агента как усиление команды, а не как замену, и выстраиваем вокруг него понятный, управляемый и воспроизводимый процесс с участием senior-разработчиков.

Такой подход делает использование искусственного интеллекта предсказуемым на уровне архитектуры, качества кода и бизнес-результата. AI-агенты ускоряют выполнение задач и снимают рутинную нагрузку, а ключевые инженерные решения, контроль рисков и ответственность за результат остаются за командой.

Для клиентов это означает более быстрый вывод функциональности, стабильное качество, контролируемые риски и прозрачный путь масштабирования сложных B2B-продуктов. Для нас — устойчивую технологическую базу, на которой можно уверенно развивать системы с длинным жизненным циклом и высокими требованиями к надёжности.

FAQ

Что такое документо-ориентированный подход к работе с AI-агентами?

Документо-ориентированный подход — это способ использования AI-агентов в разработке, где каждый агент опирается на формализованный банк знаний проекта (project knowledge base), а не только на “общий интеллект” модели. Мы описываем архитектуру, паттерны, требования к коду и тестам в структурированной форме и подключаем это к агентам через векторное хранилище (vector knowledge base) и семантический поиск (semantic search). За счёт этого AI-агент действует как разработчик, знакомый с проектом, а не как абстрактная модель. Для клиента это означает предсказуемое поведение ИИ и повторяемое качество решений.

Чем ваш подход с AI-агентами отличается от обычных AI-код-ассистентов?

Мы используем агентно-ориентированный подход (agentic AI) и управляемых AI-агентов (AI code agents), встроенных в инженерный процесс, а не только “подсказки кода” в IDE. Агент работает по чёткому ТЗ, строит пошаговый план, получает доступ к файлам и инструментам через NPC-сервер (NPC server) и оркестратор (LLM orchestration), запускает тесты и дорабатывает решение до нужного качества. Все действия агента проходят через систему контроля версий и ревью инженером. В результате клиент получает не фрагмент подсказанного кода, а законченный, проверенный и интегрированный результат.

Как устроена оркестрация LLM и AI-агентов в ваших проектах?

Оркестрация LLM (LLM orchestration) — это слой, который управляет тем, какие модели и в каком порядке участвуют в решении задачи. Оркестратор разбивает задачу на шаги, подбирает подходящую модель (enterprise LLM stack) под каждый шаг, вызывает инструменты (tool calling) через NPC-сервер и собирает результат. При сложных сценариях мы используем многоагентные схемы (multi-agent workflows), где разные агенты отвечают за планирование, генерацию кода, тестирование и анализ результатов. Для клиента это означает управляемый, воспроизводимый процесс, а не разовые “запросы в модель”.

Зачем вам Human-AI-in-the-loop, если AI-агенты и так автономны?

Что такое векторная база знаний и как она помогает AI-агентам?

Векторная база знаний (vector knowledge base) — это хранилище, где документация, код и архитектурные решения представлены в виде векторных эмбеддингов для семантического поиска. AI-агенты используют retrieval-augmented generation (RAG): перед генерацией кода они извлекают релевантные фрагменты знаний о проекте и опираются на них при принятии решений. Это позволяет учитывать реальные ограничения системы, повторно использовать существующие решения и избегать “галлюцинаций” модели. Для клиента это означает меньше ошибок, меньше технического долга и более устойчивую архитектуру.

Зачем вам Human-AI-in-the-loop, если AI-агенты и так автономны?

Human-AI-in-the-loop (HITL) обеспечивает критически важный уровень контроля и ответственности за результат. Senior-инженеры формулируют задачи, выбирают контекст, утверждают планы AI-агентов и принимают финальные решения по изменению кода. Такой контур (engineer-in-the-loop) позволяет использовать скорость и масштабируемость AI-агентов, но при этом сохранить архитектурную целостность, соблюдение бизнес-требований и стандарты качества. Клиент получает выгоду от ускорения, не теряя управляемость и прозрачность.

Как AI-агенты встроены в жизненный цикл разработки и CI/CD?

Мы выстраиваем AI-enabled SDLC (AI-enabled software development lifecycle), где агенты участвуют в нескольких фазах: анализ требований, проектирование, генерация кода, написание тестов, рефакторинг и обновление документации. Через интеграцию с конвейером CI/CD (AI-enabled CI/CD pipeline) агенты могут запускать тесты, статический анализ и получать обратную связь из инфраструктуры. В результате внедрение новой функциональности превращается в управляемый процесс: от ТЗ до проходящих тестов и задокументированных изменений. Для клиента это ускоряет релизы и снижает риски регрессий.

Что такое векторная база знаний и как она помогает AI-агентам?

Как AI-агенты встроены в жизненный цикл разработки и CI/CD?

Насколько безопасно использовать AI-агентов с точки зрения NDA и конфиденциальности?

Мы строим приватный стек ИИ (private AI stack) и гибридную архитектуру LLM (hybrid LLM architecture), комбинируя облачные модели и on-premise LLM (self-hosted LLM) на инфраструктуре клиента. Для задач под NDA и чувствительных данных мы используем локально развёрнутые модели и изолированные контуры (NDA-compliant AI workflows), где данные не покидают периметр. На уровне процессов у нас настроено управление данными и рисками (data governance, AI risk management): логирование действий агентов, контроль доступа, политики хранения и удаления данных. Для клиента это означает использование преимуществ AI без компромиссов по безопасности.

Глоссарий

Для однозначного понимания терминов и корректной интерпретации подхода приводим основные понятия, которые используются в рамках документо-ориентированной работы с AI-агентами.

Оркестрация LLM — управление работой нескольких моделей и инструментов в едином инженерном процессе для решения сложных задач. Обеспечивает многошаговые сценарии, контроль контекста и взаимодействие между агентами.
Автономные AI-агенты — системы, способные самостоятельно планировать и выполнять задачи без пошаговых указаний человека. Такие агенты могут реализовывать coding-задачи от анализа до готового результата.
Многоагентная система разработки — подход, при котором несколько специализированных AI-агентов совместно работают над задачей, разделяя ответственность за планирование, реализацию, проверку и анализ результата.
Контекстно-ориентированное кодирование — использование LLM с большим окном контекста для учёта архитектуры, документации и существующего кода при генерации решений. Позволяет агенту работать как разработчик, знакомый с проектом целиком.
Vector Knowledge Base (векторное хранилище знаний) — база данных, в которой документация, код и архитектурные решения представлены в виде эмбеддингов для семантического поиска и повторного использования существующих решений.
LLMOps и безопасность ИИ — практики эксплуатации LLM в продакшене, включающие контроль качества ответов, предотвращение галлюцинаций, управление доступом и соблюдение требований информационной безопасности.
Приватные и самостоятельно хостимые LLM — модели с открытым исходным кодом, развёрнутые на собственной инфраструктуре клиента для обеспечения конфиденциальности данных и соответствия требованиям NDA.
AI-augmented Development — парадигма разработки, при которой искусственный интеллект усиливает инженеров, беря на себя рутинные и масштабируемые задачи, в то время как человек сохраняет контроль над архитектурой и качеством результата.