АГЕНТНАЯ РАЗРАБОТКА: КАК УСТРОЕН РАБОЧИЙ ПРОЦЕСС НА РЕАЛЬНОМ ПРОЕКТЕ
AI-агенты умеют писать код, но их возможности не ограничиваются генерацией отдельных функций. При правильной организации они могут участвовать в планировании релизов, декомпозиции задач, реализации функциональности, тестировании и автоматизации проектных процессов. Как это происходит на практике? Рассмотрим на примере разработки веб-приложения.


Автор:
Дмитрий Васильев
Категория:
Новости
Дата публикации:
От планирования релиза до постановки задач
Когда заказчик приходит с большим объёмом задач, важно определить состав ближайшего релиза, оценить зависимости и распределить нагрузку.
На этом этапе AI-агенты помогают уточнять требования, разбивать работу на задачи и выявлять связи между ними. Команда определяет, какие задачи можно выполнять параллельно, а какие должны следовать друг за другом. Это позволяет составить реалистичный план и заранее увидеть потенциальные риски по срокам.
После согласования общего плана начинается проработка отдельных задач. Для этого используются скиллы (инструкции, по которым работает агент), построенные на принципах Spec-Driven Development:
- /grill-with-docs — уточняет требования;
- /to-spec — готовит спецификацию;
- /to-tickets — разбивает работу на подзадачи и определяет зависимости между ними.
Полученные задачи можно распределять между несколькими агентами — независимые поручать им одновременно, остальные выполнять последовательно. Спецификация и план сохраняются в Markdown, а задачи регистрирует разработчик или агент.
Два подхода к реализации
Когда задачи подготовлены, команда выбирает подход.
Первый вариант — пошаговая реализация через /implement. Агент берёт отдельную подзадачу, выполняет её, после чего разработчик проверяет изменения и при необходимости исправляет недочёты самостоятельно или с помощью агента.
Второй вариант — поручить агентам выполнение всего плана через /implement-spec. В этом случае независимые задачи агенты могут выполнять параллельно, а связанные — последовательно.
Таким образом, степень участия разработчика может различаться: от проверки каждого отдельного шага до контроля результатов выполнения более крупного плана. При этом проверка и ответственность за качество остаются частью работы команды.
Тестирование и контроль результата
После реализации функциональности необходимо проверить, что приложение работает корректно. Здесь агенты также могут участвовать в процессе: запускать готовые тесты, составлять сценарии проверок и выполнять их на тестовом стенде.
В зависимости от доступных инструментов агент может проверять веб-приложение в браузере, обращаться к API и взаимодействовать с другими системами.
Однако результаты таких проверок не становятся окончательным подтверждением качества. Их оценивают разработчик и тестировщик, дополняя автоматические проверки собственным контролем.
Автоматизация за пределами написания кода
Ещё одна область применения AI-агентов — автоматизация повторяющихся проектных процессов. Для них команда создаёт собственные скиллы с описанием необходимых действий.
Например, /describe-changes готовит описание изменений для тестировщика в удобном для дальнейшей проверки виде.
По такому же принципу устроен скилл /release, который описывает последовательность действий при выпуске новой версии: обновление списка изменений, создание веток и тегов, запуск pipeline. Агент может выполнять эти шаги в GitLab через подключённые инструменты, без ручных действий в интерфейсе.
AI как часть процесса разработки
В рассмотренном примере AI-агенты используются не для выполнения одной изолированной операции, а на протяжении всего цикла разработки: от планирования релиза до тестирования и выпуска версии.
И здесь для компании возникает следующий вопрос: как масштабировать этот подход на другие проекты? Ведь уже недостаточно просто предоставить разработчикам доступ к AI-инструментам, нужно поменять подход к рабочим процессам, переопределить зоны ответственности, подсчитать, как изменяются сроки и стоимость разработки и понять, какие задачи действительно имеет смысл делегировать агентам.
Именно переход от отдельных экспериментов к системному внедрению AI-native процессов становится следующим этапом развития AI-разработки.
Обсудим это на вебинаре «AI как инструмент роста: продукты, разработка, продажи».
23 ноября в 11:00 мск CTO Doubletapp Никита Анчутин расскажет о внедрении AI-native процессов в компании, а ССО Doubletapp Андрей Горчев — о применении AI для поиска клиентов и развития продаж.