ДокладAI-агенты: как доверять результату и контролировать действия?

ИИ-конвейер разработки полного цикла в Диасофт: от кнопки «сделать» до релиза на прод

Подробнее о докладе

НаправлениеAI в SDLC
Дата1 декабря, 13:25
ЗалДели+Калькутта
ФорматДоклад, 50 минут
Уровень
Средняя сложность

Спикеры

25+ лет в IT. Прошел путь от разработчика до Директора по разработке. Строил архитектуру, занимался масштабированием и оптимизацией производительности всех основных линеек продуктов Диасофт. В настоящее время руководит выстраиванием AI-Native-производства ПО в Компании. Играет в хоккей, катается на сноуборде, занимается рок-музыкой.

Илья Петров
Илья Петров

Диасофт

Продакт-менеджер и solution-архитектор с 18-летним опытом в enterprise-разработке финтех-платформ, с 2017 года возглавляющий продуктовое направление в компании «Диасофт». Ключевые направления Возглавляет ряд продуктов компании, включая Q.GPT, Q.Sensor, Q.ProductFactory, а также Кассу и Расчёты. Помимо этого, в его портфеле — CRM, KYC, MDM, электронный документооборот и операционный фронт, реализованные на MSA стеке. Масштаб и результаты Под его руководством созданы, внедрены или внедряются продукты в такие банки как ВТБ, ПСБ, ДОМ.РФ Банк, СБЕР, Росбанк (ныне Т-Банк), BTPN, Deutsche Bank, TP Bank, Банк России и ряд государственных предприятий. Собственные проекты Помимо корпоративной карьеры, реализовывал банковские модули «под ключ» самостоятельно — от обследования до внедрения. В частности, спроектировал, создал и внедрил модуль работы с просроченной задолженностью на этапах судебного и исполнительного производства, пройдя весь путь от анализа требований до вывода в продуктивную эксплуатацию. Этот опыт дополняет его практику по кредитному конвейеру: в рамках работы в Банке Жилищного Финансирования он самостоятельно разработал и внедрил механизм автоматизации бизнес-процессов кредитного конвейера — от обращения клиента до положительного решения по ипотечному кредиту, включая модули «Кредитный комитет», «Андеррайтинг», «Soft-collection» и «Hard-collection»

Отзыв программного комитета

Мультиагентный конвейер enterprise-разработки: спецификации, детерминированная обвязка, проверка контрактов и платформа в закрытом контуре.

Кому полезно

Когда вместо Claude вы построили мультиагентный конвейер из 150 субагентов, который работает в закрытом контуре на локальной модели, а задача не одна фича вайбкодинга, а параллельная разработка десятков сервисов в системе из сотен модулей, всплывают проблемы, которых нет в демо на YouTube. Агент не знает архитектуру предприятия и дублирует существующее. Синхронные вызовы к трекеру, фреймворкам и low-code платформам делают конвейер хрупким: одна упавшая система останавливает всё. Наивный поиск существующей функциональности по каталогу превращается в 161 вызов LLM и 352K токенов. Локальная модель слабее облачной и требует компенсирующей обвязки. Расскажем, как решаем это в промышленном AI-Native SDLC для финтеха: детерминированная генерация 70% кода из метаданных как клетка для LLM, Git как асинхронный control plane вместо синхронных MCP-вызовов, иерархический отбор при поиске компонентов (161 вызов превращается в 14), мультиарендная агентная платформа на H200 с очередями, приоритетами и чекпоинтами. Доклад для тимлидов, архитекторов и руководителей платформ: первая часть про инженерные решения на уровне процесса, вторая про runtime-платформу. Ничего не рекламируеем, выкладываем конкретные инженерные выборы, их ограничения и нерешённые вопросы. Остальное обсудим на автопати.

О чём доклад

Ни для кого не новость, что AI-агенты уже пишут код. Не автодополняют, а именно пишут: принимают задачу, генерируют файлы, прогоняют тесты. Но в enterprise-системе из десятков-сотен микросервисов этого мало. Агент изначально не знает, что в системе уже есть куча сервисов, которые можно реиспользовать. Напишет своё. Не знает ваших стандартов именования событий Kafka, правил аннотаций безопасности, паттернов обработки ошибок. Не проверяет, что код соответствует замыслу. Запустите ту же задачу завтра, получите другой результат. Для системы, которую поддерживают годами, это неприемлемо. Мы строим мультиагентский конвейер полного цикла: от бизнес-требования до верифицированного кода в репозитории и выпуска готовых артефактов. Ключевая идея: спецификация поведения как единственный источник истины, код как производный артефакт. Вокруг LLM выстроен детерминированный harness: контекст организации, gate-условия, валидаторы, генераторы кода из метаданных, проверка контрактов между сервисами. Модель меняется, инфраструктура остаётся. Доклад для тех, кто строит микросервисные распределённые системы (Go/Java, JS/TS/Angular/React, Kafka, PostgreSQL и т.п.). Для тех, кто уже использует AI-агентов и сталкивается с похожими проблемами: нет воспроизводимости, агент не знает корпоративного контекста, невозможно масштабировать на десятки сервисов параллельно. Покажем конкретную архитектуру, не абстрактные рассуждения.