Минуты до секунд: как мы оптимизировали запросы к БД и ускорили рутину с помощью ИИ-агентов

TL;DR:
Мы потратили 1,5 месяца на R&D, чтобы понять, как реально, а не на словах, внедрить LLM в процесс разработки. Выяснили, что ИИ не заменяет архитектора, но ИИ-агенты отлично закрывают рутину. Главный инсайт: переход от простых чатов к агентным системам позволил нам ускорить написание парсеров, создание прототипов и оптимизацию тяжелых SQL-запросов (время генерации отчетов упало с минут до секунд).

Лента профессиональных сообществ забита кейсами про внедрение ИИ. Но чаще всего это либо сухие графики потребления токенов, оторванные от реальности, либо маркетинговые обещания, что «нейросеть заменит джунов». В этих материалах катастрофически не хватает описания практической пользы, подводных камней и реального сопротивления команды. Мы в DCL X (DataClab) разрабатываем InsureTech-проекты и стараемся держать руку на пульсе новых технологий. Большие языковые модели (LLM) не стали исключением. Мы решили не просто «купить подписку на Copilot», а планомерно интегрировать ИИ в процессы нашего отдела разработки. Спойлер: нельзя просто так взять и приказать разработчикам «писать код с ИИ». Нужна база, общие подходы и смена майндсета. Рассказываем, как мы это сделали и что получили на выходе.

Мы начали с тотального аудита рынка. Перебрали модели: от локальных (open-source) до тяжелых облачных комбинированных решений. О плюсах, минусах и стоимости владения можно писать отдельный лонгрид, но факт остается фактом: мы протестировали более 30 различных инструментов для работы с LLM. На исследование, тесты и обкатку ушло около полутора месяцев. Именно столько времени нужно, чтобы отделить хайп от реальной инженерной пользы. По итогу мы сформировали два главных правила работы с ИИ в коде.

Многие ждут, что ИИ сам напишет фичу по промпту «сделай красиво и чтобы работало». Это не работает. LLM - это не архитектор и не продакт - менеджер. Это невероятно быстрый «печатник», который берет на себя рутину набора строчек кода, придуманного вами в голове. Чтобы получить профит, нужно четкое понимание продукта и архитектуры задачи. Наши разработчики достаточно опытны, чтобы грамотно декомпозировать задачу, сформулировать алгоритм и «скормить» его модели. Важно: ИИ генерирует код, но code-review никто не отменял. Ответственность за продакшн всё еще лежит на человеке.

Напрямую с «голыми» моделями в продакшн - разработке почти никто не работает. Индустрия перешла к агентам. Агент - это обвязка над LLM, которая упрощает взаимодействие, задает жесткие правила (rules), управляет контекстом и подключает внешние инструменты (базы знаний, документацию, линтеры). Если раньше IDE была просто редактором кода, то теперь IDE с ИИ-агентом - это полноценная среда для совместной работы с нейросетью. Мы отобрали несколько связок, написали для них кастомные правила (системные промпты под наши стеки и стандарты) и интегрировали их в ежедневный workflow.

Внедрение агентных систем дало измеримый профит в нескольких направлениях:

🚀 Молниеносная реализация рутины

Задачи, которые раньше отнимали часы монотонного труда, теперь закрываются за минуты. Написание парсеров, вспомогательных скриптов, генерация unit-тестов и boilerplate-кода - всё это теперь делается в разы быстрее.⚡ Оптимизация узких мест БД (Наш любимый кейс) Из недавнего: нам нужно было проанализировать узкие места в сложных запросах к базе данных, чтобы ускорить работу системы и улучшить UX. Как это было бы без ИИ: Senior-разработчик тратит несколько дней на анализ планов выполнения запросов (EXPLAIN), перебор индексов и ручное тестирование гипотез. Как это было с ИИ - агентом: Мы загрузили контекст схемы БД и проблемные запросы в агента. Он провел анализ, предложил варианты оптимизации и переписанные SQL-конструкции. Итог: мы справились за пару дней вместо недели. Время загрузки тяжелых пользовательских отчетов сократилось с нескольких минут до пары секунд.

🛠 Ускоренное прототипирование

Путь от идеи до рабочего прототипа (MVP) сократился кратно. Теперь мы можем быстро «пощупать» гипотезу на практике, прежде чем закладывать её в основной бэклог.

Техническая часть - это только половина дела. Главное - выработать общую практику и провести обучение. Разработчикам пришлось перестроить подход к работе: научиться правильно декомпозировать задачи для машин, писать структурированные промпты, и самое главное, развить навык критической оценки сгенерированного кода. Какие бы «умные» модели ни выходили каждый месяц, без грамотного управления ими, знания предметной области и инженерного мышления хорошего продукта не получить. ИИ не заменяет инженера, он делает сильного инженера — сверхпродуктивным.

Теперь, когда мы обкатали экспертизу по внедрению агентных систем на собственных InsureTech-проектах, мы помогаем автоматизировать бизнес-процессы и разработки нашим клиентам. В следующем посте мы разберем конкретные кейсы автоматизации с помощью ИИ-агентов за пределами написания кода: как мы это делаем, с какими ограничениями столкнулись и какие бизнес-задачи это закрывает. Подписывайтесь, чтобы не пропустить!

💻 DCL X (DataClab) - разработка и консалтинг в сфере InsureTech

[Telegram]

Искусственный интеллект, Разработка, Нейросети, Оптимизация, InsureTech, Опыт компании.