Управление агентной разработкой на масштабе: 5 контрольных точек вместо чтения кода

AI в SDLC

Доклад принят в программу конференции

Целевая аудитория

Разработчики и тимлиды, ежедневно работающие с AI-агентами и ведущие несколько параллельных потоков. Все, кто внедряет AI в SDLC и хочет удерживать качество кода на масштабе

Тезисы

Год назад я запускал один агентный поток и успевал читать каждую строку кода. Сегодня у меня до десяти параллельных окон агентной разработки — и держать в голове каждый поток физически невозможно. Если у вас так же, то вы не одиноки. Это новая инженерная дисциплина, и у неё есть своя механика. В докладе разберу, как удерживать качество при ведении параллельных агентных потоков: пять контрольных точек вместо чтения всего кода (декомпозиция, выполнение по плану, тесты, зелёные тесты, critique-ревью второй моделью); карту границ «что агенту не доверишь» — зоны, где модели ошибаются систематически; и способ посчитать личный предел параллельности, чтобы «ещё один агент» не выжег фокус. Сто лет науки об управлении, span of control и формула Грайкунаса дают готовый инструмент: применю его к агентным потокам. Слушатель унесёт набор контрольных точек, критерии границ делегирования и метод оценки своего лимита потоков.

Максим Шаланкин

МТС (MWS)

ML Tech Lead в финтех‑команде MWS (МТС). Более 7 лет в Data Science и production ML: строит высоконагруженные ML‑сервисы и ML‑платформы, развивает MLOps‑контуры, внедряет LLM и агентные системы в бизнес‑процессы