Командные процессы
Здорово иметь на уровне команды определённые базовые процессы и правила работы с ИИ-агентами. По мере роста опыта у каждого появятся какие-то свои фишки и паттерны, но лучшие практики всё равно желательно выносить на уровень команды или даже всей компании. В этом разделе мы даём некоторый стартовый фреймворк, с которого можно начать.
Какие есть челленджи при использовании ИИ на уровне команды:
- Как сделать, чтоб каждый не изобретал свой велосипед для решения одних и тех же проблем?
- Как не превратить репозиторий в ИИ-слоп?
- ИИ может значительно ускорить каждого отдельного разработчика. Как в этой ситуации сделать, чтоб они не начали мешать друг другу (дублирование работы; смены контрактов, интерфейсов и тестов; генерация несовместимых кусков кода)?
Становятся ещё более важными традиционные командные процессы:
- Проведение границ между задачами
- Принятие решений о смене архитектуры или контрактов
- Синхронизация знаний о репозитории
- Поддержание логичной структуры репозитория и границ между модулями
- Актуализация документации
Поэтому рекомендуется иметь на уровне компании и команды различные общие практики:
- Оценка готовности команды к использованию ИИ-агентов
- Ведение командного плейбука с общими правилами и рекомендациями
- Переиспользование ресурсов - скиллов, MCP, плагинов, настроек
- Разные полезные практики для улучшения эффективности ИИ типа парного ИИ-кодинга
Первые шаги для лидов
На основе нашего опыта рекомендуем начать с таких шагов:
- Сформулировать цели внедрения ИИ - ускорить разработку, снять рутину с разработчиков и не только, уменьшить количество багов и инцидентов, отчитаться перед начальством
- Сформулировать главные риски и проблемы - потеря контроля над кодовой базой, рост количества багов, неэффективное использование ИИ-инструментов, неконтролируемые затраты, неготовность репозиториев и команд под работу с ИИ, риски безопасности (агент положит прод, ключи утекут в облако)
- Для каждого риска и проблемы сформулировать, как мы будем их решать на уровне компании, отдела, команды. Какие правила будут обязательными, а какие рекомендуемыми
- Выбрать инструмент для пилота. Намного проще будет настраивать что-то одно - Claude Code, Codex, Cursor, Opencode, Pi, вариантов масса
- Если вы лид лидов, то провести встречу с лидами, рассказать все пункты выше, получить фидбек
- Если у вас большая команда, запустить пилот на ограниченное количество людей. Желательно, чтоб это был микс - и те, кто уже сами используют ИИ, и те, кто почти его не использовал (скажем, только в формате веб-чата для ответов на вопросы)
- Во время пилота рекомендуем уделить особенное внимание следующим аспектам
- Помощь в настройке. Как ни странно, большая часть людей отсекается на этом этапе. Не работает VPN, VPN конфликтует с корпративным, не хватает RAM, не удаётся нормально настроить разрешения для ИИ-агента. Можно выделить под это целый день и ходить помогать людям всё корректно настроить
- Общие настройки безопасности. Например, в Claude Code в Team-плане можно выставить обязательные для всех настройки
- Сбор фидбека. Что нравится, что не нравится, какие были успешные и неуспешные кейсы
- Сбор статистики. Как кто использует, как часто, какого размера сессии
- Общая база знаний на уровне компании/отдела - очень помогает как стартовая точка
- Какие практики будем использовать на уровне команды - засетапим командный документ по использованию ИИ, покодим в паре, соберёмся на общую встречу, проведём анализ готовности к использованию ИИ (смотри ниже)
- Критерии успеха пилота и метрики - будем ли собирать какие-то сложные метрики или достаточно обратной связи и субъективного ощущения?
- По итогам пилота делаем вывод - расширяем и внедряем полноценно, продляем пилот, сворачиваем пилот, пробуем другой инструмент
- Если принято решение о превращении пилота в полноценное внедрение, то на этом этапе пора заняться более взрослыми штуками, например:
- Общий прокси, через который будут проходить все запросы (для безопасности)
- Удобный сбор статистики и дашборды
- Общий MCP-реджистри с безопасно настроенными инструментами
- Эксперименты со Spec-Driven Development фреймворками
- Эксперименты с автономной разработкой и autoresearch
- Как нужно изменить командные процессы, чтоб не превратить репозиторий в ИИ-слоп, а продакшн в кучу багов и инцидентов?
Когда ИИ-кодинг в команде устоится, можно идти дальше и делать агентов под повторяющиеся процессы - отчёты, разбор инцидентов, ответы на вопросы других отделов. Про это есть отдельный раздел «Агенты для процессов».
Harness engineering: готовим окружение для агента
Модель - только один из компонентов ИИ-агента. Всё окружение, которое направляет агента и задаёт ему рамки, даёт ему инструменты, помогает проверить результат, называют harness. В это окружение со звёздочкой можно включить и особенности проекта и окружения - документацию, структуру репозитория, доступные CLI и данные, настройки разрешений, тесты, линтеры и многое другое.
Полезно смотреть на механизмы harness по двум осям:
| Механизм | До выполнения | После выполнения |
|---|---|---|
| Детерминированный | Хуки, ограничения доступов | Тесты, линтеры, тайп-чекеры |
| Вероятностный | CLAUDE.md, скиллы, примеры | Ревью субагентом или другим харнессом |
Правило в CLAUDE.md снижает вероятность ошибки, но не гарантирует, что агент будет следовать этому правилу всегда. Если проблему можно определить детерминированно, то всегда лучше превратить правило в тест или иную проверку. Конечно, есть случаи, где формальная проверка невозможна или слишком дорога.
Чем больше свободы мы даём агенту, тем важнее становится хорошая, быстрая и точная обратная связь. Хороший харнесс позволяет агенту самостоятельно увидеть ошибку, исправить её и повторить проверку. Подробнее об этом можно почитать в статье Harness engineering for coding agent users.
AX: опыт агента
По аналогии с DX (developer experience) можно говорить про AX (agent experience) - насколько агенту удобно работать в вашем репозитории и окружении. Про это полезно вспомнить, когда одна и та же модель в одном репозитории пишет нормальный код, а в соседнем генерит мусор. Обычно в такой ситуации хочется поменять модель или переписать промпт, но чаще всего проблема в самом репозитории.
Что влияет на AX:
- Автоматические проверки - быстрые тесты, линтеры и тайп-чекеры, по которым агент сам видит свои ошибки и исправляет их
- Архитектура - понятная структура, небольшие модули с чёткими границами, нормальные имена. Чтобы разобраться в коде, не нужно читать его целиком
- Свободный контекст -
CLAUDE.md, скиллы и MCP не забивают контекст, и основная его часть остаётся под задачу (подробнее в экономике контекста)
AX и DX во многом пересекаются: хорошие тесты и понятная архитектура нужны и людям, и агентам. Но есть и разница. Человек может спросить у коллеги, как устроен биллинг, или подождать медленный CI, а агент так не умеет. Зато агенту не нужны подсказки в IDE и красивые дашборды - ему нужен текст ошибки в выводе команды.
Хорошие определения этого и других терминов собраны в AI Coding Dictionary.
Что необходимо сделать перед началом внедрения ИИ-агентов
На старте рекомендуем оценить готовность ваших репозиториев и командных процессов к работе с ИИ-агентами.
Есть прикольный фреймворк Agent Readiness, по нему можно оценить готовность по восьми критериям:
- Style & Validation - настроены ли прекоммит-хуки - линтеры, стайлеры
- Build System - есть ли задокументированные способы запустить и протестировать проекты?
- Testing - есть ли у агента возможность быстро верифицировать результаты своей работы?
- Documentation - есть ли в репозитории вся нужная документация? Есть ли какие-то неявные знания, не описанные на бумаге?
- Dev Environment - настроен ли у каждого энв, в котором агент может запускать скрипты, команды?
- Code Quality - удобен ли проект для ИИ-агента? Все файлы меньше 500 строк, функции меньше 50 строк, чёткие границы между модулями
- Observability - наличие и доступ до логов, трейсов, трейсбеков (Sentry, ELK, логи кубика)
- Security & Governance - настроено ли всё так, чтоб агент не мог уронить прод-кластер, удалить данные, ликнуть пароли?
Ещё можно добавить Data - есть ли у агента удобный доступ до данных, необходимых для работы.
Пример практического описания уровней зрелости
- Первый - есть ридми, линтер, юнит-тесты
- Второй - есть общий CLAUDE.md, прекоммит-хуки, базовые правила безопасности
- Третий - есть удобные E2E-тесты, детальная документация для агента
- Четвёртый - оптимизированные билды, быстрые способы верификации работы
- Пятый - декомпозиция задач, авто-восстановление сервисов
Ваш уровень покажет вам следующий шаг, на что стоит уделить внимание для улучшения процессов. В целом, если людям удобно работать над проектом, то и агенту, скорее всего, будет нормально. Но неявные знания и медленный CI мешают агенту сильнее, чем людям. Поэтому, даже если вы ИИ-скептик, внедрение ИИ может пойти вам на пользу.
Начинаем внедрение ИИ-инструментов
Внедрение ИИ-инструментов повлияет на весь процесс разработки. Поэтому вам вместе с командой необходимо обсудить ключевые этапы этого процесса и определить, нужны ли какие-то действия.
На что обратить внимание в первую очередь:
- Процесс работы над задачами - от постановки до деплоя и мониторинга. Отдельно выделим:
- Тестирование - правила проверки результата перед созданием PR
- Код-ревью
- Написание и обновление документации
- Сбор фидбека по процессу внедрения ИИ в разработку
Результаты обсуждений зафиксировать в документе с обязательными и рекомендуемыми практиками - командный playbook. На первое время, пока практики не устоятся, важно иметь один источник правды. Что может содержать плейбук:
- Описание процесса работы над задачей, обязательные и рекомендуемые правила
- Правила проверки результата и код-ревью
- Примеры хороших кейсов
- Повторяющиеся процессы
Важно: Существует множество различных фреймворков по работе с проектами разного размера - например, BMAD или OpenSpec. Но мы рекомендуем начать с минимального легковесного процесса, для подавляющего числа задач этого хватит.
Скажем, BMAD-Method хорош, если стартуете какой-то новый проект в соло, потому что он эмулирует полноценный пайплайн разработки через скиллы:
- Брейнсторминг и проверка идеи (bmad-brainstorming, bmad-forge-idea)
- Исследования рынка, предметной области, технологий или текущей кодовой базы (bmad-deep-recon)
- Продуктовый бриф и PRD, включая проверку PRD на ошибки и противоречия (bmad-product-brief, bmad-prd)
- Архитектура (bmad-architecture) и UX-дизайн (bmad-ux)
- Нарезка на эпики и сторисы и ведение тикетов (bmad-agent-po)
- Разработка: bmad-build берёт задачу и доводит её до проверенного кода с ревью, отдельно есть bmad-code-review
- Ретроспектива по эпику (bmad-retrospective)
Если непонятно, с чего начать, можно просто позвать bmad, он подскажет следующий шаг. Список актуален для версии 6.13, названия скиллов в BMAD периодически меняются.
Кажется, что это оверкилл, но подход в целом интересный, особенно для частично написанных проектов.
Плюсы:
- Намного меньше шанс пропустить что-то важное - ошибку в коде, противоречия в бизнес-требованиях, важный юзер-кейс
- Система сама спрашивает, когда нужно человеческое вмешательство на разных этапах - от планирования до код-ревью
Минусы:
- Очень прожорливо на токены, особенно если использовать Opus для субагентов
- Генерируется очень много маркдаунов, которые все лень читать
Полезные практики
- Парный вайб-кодинг - более опытный и менее опытный (в использовании ИИ-агентов) участники вместе решают какую-то задачу
Следующая: Работа над задачами
Предыдущая: Как агенты меняют роли и процессы