ИИ-агент для разработки: как провал основной цели привёл к успеху в аналитике

Команда разработки создала ИИ-агента, чтобы автоматизировать решение простых задач по коду. MVP был собран за две недели одним разработчиком. Для агента построили контекстную инфраструктуру: ежедневно синхронизируется кодовая база, строится граф кода с помощью tree-sitter, доступна схема базы данных, база знаний обновляется из коммитов. Однако выяснилось, что понятие «простая задача» не удалось формализовать: даже на примере правок в мессенджере агент создал 2000 строк диффа вместо 300, а страх ошибок в финтехе не позволил давать агенту настоящие задачи. В результате агент не закрыл ни одной боевой задачи. Но инструмент начали активно использовать аналитики: они задают вопросы о системе и получают ответы на основе кода и базы знаний, а агент-проверяющий дополнительно ищет информацию в issues и истории коммитов. Теперь более половины запросов аналитиков закрывается без участия разработчиков, время ожидания сократилось с дней до 15 минут. Команда полностью отказалась от Confluence, база знаний живёт от кода. Стек: Python 3.12, FastAPI, SQLModel, SvelteKit, Tailwind, tree-sitter. LLM подключается через OpenRouter: дешёвая модель Haiku для разведки, Opus для написания кода. Расходы — около 200 долларов в месяц.