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

30 ноября, 13:30, «Пекин-Шанхай»

Средняя сложность

Доклад принят в программу конференции

Инструменты

Методологии

Техдолг

Поддерживаемый код

Микросервисы

Автоматизация разработки, доставки, эксплуатации

Инструменты

Методологии

Техдолг

Поддерживаемый код

Микросервисы

Автоматизация разработки, доставки, эксплуатации

Большие проекты/команды

Архитектурные паттерны

Распределенные системы

Методы и техника разработки ПО

Инструментальная поддержка, декомпозиция задач

Автоматизация разработки и тестирования

Продуктовая разработка

Будущее рынка разработки ПО

Управление изменениями, управление требованиями

Процессы и инструменты в enterprise

Мнение Программного комитета о докладе

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

Целевая аудитория

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.

Тезисы

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.

Спикеры

Старов Дмитрий Владимирович

Диасофт

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.