ИИ-фабрика ПО — это не очередное название для промптов и «умных» циклов, а попытка собрать весь путь от идеи до релиза в управляемую производственную линию. Автор блога Stack Overflow предлагает разбить этот путь на восемь этапов и оставить людям решения, где цена ошибки выше стоимости сгенерированного кода: выбор продукта, архитектуры и критериев качества.
Как сообщает Stack Overflow Blog, инженер Decoding AI за три месяца собрал собственную систему Squid для небольших и средних проектов. Первая версия оказалась настолько перегруженной автоматизацией, что он перестал ею пользоваться. Вывод оказался полезнее очередного ярлыка вроде prompt engineering, context engineering или graph engineering: автоматизировать нужно не модные термины, а конкретный процесс доставки софта.
От заявки до инцидента
В предложенной схеме ИИ-фабрика ПО принимает на вход баг-репорты, идеи функций и сигналы из продакшена, а выпускает работающий релиз. Между ними — восемь звеньев: первичный разбор входящих задач, поиск продуктовых идей, планирование, реализация, ревью, проверка в CI, выпуск и мониторинг с обработкой инцидентов. Сигналы об ошибках и сбоях затем возвращаются в начало очереди как новые задачи. По сути, это SDLC, где часть ролей исполняют агенты, а не новый способ заставить чат-бот написать компонент за один запрос.
Самым важным этапом автор называет планирование. Агент сначала работает в режиме чтения: изучает кодовую базу, правила в AGENTS.md и накопленный контекст проекта. Затем он помогает превратить идею в набор задач, архитектурное решение и словарь терминов. Для команды это означает знакомый артефакт — тикеты, документацию и ADR, — но подготовленный быстрее и с возможностью прогнать больше вариантов до того, как разработчик откроет редактор.
Важна и граница автоматизации. Триаж может убрать дубликаты и направить заявку нужной команде; QA-агент способен повторять цикл «тест — исправление»; ревью проверяет изменения на соответствие правилам продукта, архитектуры и кода. Но выпуск в staging или production автор предлагает оставить с человеческой проверкой. Это не недоверие к модели, а нормальная инженерная гигиена: стоимость неверно выкаченного изменения почти всегда выше экономии нескольких минут.
Контекст вместо магии
Отдельным слоем над всей линией лежит контекст: аналитика использования, исследования рынка, интервью, документация, решения по архитектуре и примеры из самого продукта. Без него модель будет воспроизводить наиболее вероятный шаблон из обучения. Если команда просит реализовать рекомендации товаров, но не даёт агенту примеров своего интерфейса, ограничений по задержке и бизнес-целей, тот с высокой вероятностью предложит стандартный рецепт, а не решение для конкретного сервиса.
Для такой памяти всё чаще используют структурированные базы знаний из файлов — подход, который Андре Карпати называл LLM Wiki. В материале упомянуты AutoWiki от Factory и OpenWiki от LangChain: они помогают агентам получать сведения о проекте без полного повторного разбора репозитория. Для российских команд это практичнее, чем пытаться сразу строить автономный конвейер: сначала стоит привести в порядок ADR, описание доменов, правила репозитория и данные о работе продукта. Иначе агент лишь ускорит распространение уже существующего хаоса.
Человек при этом не исчезает из процесса, а смещается ближе к решениям с высокой неопределённостью. На этапе поиска идеи он смотрит на данные об использовании, конкурентов и исследования, понимает, почему пользователи игнорируют рекомендации, и формулирует продуктовую гипотезу. На этапе планирования он проверяет реализуемость, продумывает интерфейсы, поток данных, стоимость и задержки. Агент может быстро собрать фактуру и задать неудобные вопросы, но не обладает ответственностью за компромисс между выручкой, риском и техническим долгом.
Автор также напоминает о неочевидной экономике моделей. Более сильную модель имеет смысл применять для исследования и планирования, где закладывается качество всей дальнейшей работы. Исполнение хорошо описанных задач можно поручать менее дорогим моделям. Сравнивать нужно не цену одного запроса, а суммарные токены и число попыток: слабый план заставляет агента снова и снова искать выход из тупика, и дешёвая модель в итоге может обойтись дороже.
Главный вопрос для команд теперь не в том, смогут ли агенты писать код: уже могут, иногда очень убедительно. Вопрос — где проходит полезная граница ИИ-фабрики ПО. Если автоматизация добавляет согласования, хрупкие сценарии и обслуживание самой фабрики, она превращается в дорогую декорацию. Победят не те, кто соберёт больше «петель», а те, кто сумеет формализовать повторяемую работу и сохранит за инженерами право решать, какой софт вообще стоит выпускать.
