AI-Native SDLC: как мы перестраиваем производство enterprise-ПО

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 микросервсиные 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.