Как ИИ-агенты помогают автоматизировать разработку
На нашем внутреннем AI TechTalk разработчики обсудили два подхода к работе с ИИ-агентами: автономную оркестрацию через Ralf Orchestrator и настройку специализированных агентов в OpenCode. Разговор оказался настолько полезным, что мы не хотим скрывать его подробности — и несём их, так сказать, в свет. Будем рады, если опыт коллег окажется полезным и для вас!
Ralf Orchestrator: длинные задачи без потери контекста
Николай, руководитель команды разработки, рассказал о Ralf Orchestrator — инструменте, который запускает агентов циклически. На каждой итерации модель получает свежий контекст, поэтому не теряет важные детали даже во время долгой работы.
Система строится на нескольких принципах.
- Планы можно пересоздавать, если первоначальный сценарий перестал работать.
- Агенты реагируют на события, а не следуют жёсткому скрипту.
- Переход к следующему этапу возможен только после прохождения тестов, линтеров и других проверок.
Такой подход помог довести покрытие сервиса Avi-Api до 100% — около 10 тысяч тестов за более чем 100 часов автономной работы Codex.
Лучше всего Ralf Orchestrator подходит для задач с формальным критерием завершения. Для исследовательской работы, где результат сложно измерить, инструмент пока менее эффективен.
OpenCode: агенты под конкретные задачи
Никита, руководитель команды разработки, показал, как настроил OpenCode для проекта PAPI. Вместо одного универсального агента он использует основные роли — Analyst, Task и Lead — и специализированных субагентов для работы с DTO, контроллерами и другими паттернами проекта.
Это позволяет изолировать контекст и повысить качество генерации кода: каждый агент работает только с нужной ему областью.
Для настройки используется отдельная ИИ-документация в папке `.ai/docs`: структура проекта, правила оформления и примеры кода. Никита собрал референсные реализации типовых компонентов и сделал их частью промпта, чтобы агент мог опираться не только на текстовые инструкции, но и на готовые образцы из проекта.
Работа с Jira тоже автоматизирована. Команда `research [номер задачи]` получает данные по задаче, создаёт папку с контекстом и формирует первичный анализ и план реализации.
Главное
Выводы у нашей команды такие: практическая польза ИИ-агентов зависит не только от модели, но и от того, как выстроен процесс вокруг неё. Свежий контекст, специализированные роли, документация и формальные проверки позволяют использовать ИИ не для отдельных подсказок, а для полноценной работы над задачами.