К содержимому
Родион Мостовой

Консультации · Родион Мостовой

Внедрение ИИ в разработку: Claude Code, Codex и Cursor в процессе команды

Помогаю CTO и руководителям разработки внедрить ИИ в разработку, когда команда уже пробует Claude Code, Codex или Cursor, а быстрее и надёжнее не стало. Встраиваю AI⁠-⁠агентов в цикл от требований и прототипа до автотестов, code review и релиза. Разбираю, где программисты теряют время на исправление сгенерированного кода, и настраиваю процесс под вашу кодовую базу.

Где команда теряет время при работе с ИИ

Как я встраиваю ИИ в цикл разработки

Агентная разработка даёт результат, когда вокруг модели выстроена инженерная среда: точный контекст репозитория, автопроверки и ограничения безопасности. Мы настраиваем управляемый путь задачи от требований и прототипа до ревью и релиза.

  1. 01

    Диагностика процесса и базовые метрики

    Разбираю кодовую базу и работу команды с Claude Code, Codex или Cursor. Находим потери времени от требований до ревью. Фиксируем метрики до изменений: время задачи до релиза, итерации на code review, долю ручных переделок и расход токенов.

    РезультатКарта узких мест, план пилота и базовые метрики.

  2. 02

    Правила агента в репозитории и подача контекста

    Описываю архитектурные границы, модули, сборку и стиль кода в AGENTS.md и CLAUDE.md. Настраиваю маршрутизацию правил по директориям и тезаурус проекта. На больших репозиториях подключаем поиск и индекс связей через MCP.

    РезультатРепозиторий с AGENTS.md, CLAUDE.md, тезаурусом и навигацией по коду.

  3. 03

    Skills под задачи команды: от требований и прототипа до кода

    Перевожу повторяющиеся операции в переиспользуемые skills: как уточнить требования, собрать прототип, добавить фичу по правилам архитектуры, написать миграцию или воспроизвести баг тестом. Программист вызывает готовый skill вместо написания промптов с нуля.

    РезультатНабор прикладных skills в репозитории под ваш стек.

  4. 04

    Hooks для опасных команд и самопроверка через автотесты

    Замыкаю агента на компилятор, линтеры и автотесты: он сам запускает их и правит ошибки до сдачи кода. Для защиты окружения настраиваю safety hooks с AST⁠-⁠разбором Bash-команд, блокирующие опасные операции с файлами, базой данных, секретами и ветками.

    РезультатSafety hooks и автопроверка кода тестами и линтерами.

  5. 05

    Совместная работа нескольких агентов и ревью в цикле разработки

    Настраиваю оркестрацию агентов разных производителей (Claude Code, Codex, OpenCode): один пишет код, второй ведёт независимое ревью по чек⁠-⁠листу архитектуры и безопасности. В CI встраивается проверка пулреквестов с учётом связей модулей.

    РезультатСхема работы агентов и предварительное AI code review в CI.

  6. 06

    Оценка пилота по метрикам и перенос на остальные команды

    После пилота сравниваем метрики до и после на пулреквестах и релизах: скорость поставки, замечания на ревью, стабильность сборок и затраты на модели. Оставляем подтверждённые практики, фиксируем стандарт и обучаем остальные команды.

    РезультатСравнение метрик до и после пилота, стандарт и обученная команда.

Что остаётся у команды после настройки ИИ

Формат под размер команды

Опыт, исследования и открытые материалы по ИИ в разработке

Более 13 лет разрабатываю на C#/.NET: работал CTO и тимлидом продуктовой команды, три года преподавал backend-разработку в OTUS и IT Step Academy. С 2024 года развиваю CodeAlive и веду open-source репозитории AI⁠-⁠Driven Development и Vibe Stack.

Частые вопросы

С чего начать внедрение Claude Code для команды, если программисты уже используют его сами?

Начните с правил в AGENTS.md и CLAUDE.md и запуска автотестов и линтеров внутри сессии агента. Когда у модели есть команды сборки, границы слоёв и ограничения проекта, случайного кода становится заметно меньше. На пилоте мы выстраиваем этот контур на одной команде, замеряем метрики и переносим на остальные репозитории.

Чем системная агентная разработка отличается от вайбкодинга и генерации кода в чате?

При стихийной генерации программист просит модель написать код без опоры на архитектуру, что ведёт к дублированию логики и перегрузке ревью. В системной агентной разработке модель работает внутри каркаса: словаря домена, skills, safety hooks и автотестов. Код проходит управляемый путь от требований и прототипа до релиза.

Как защитить репозиторий и окружение от опасных команд, которые может выполнить агент?

Запретов в промпте недостаточно, потому что модель может обойти их при отладке. Мы подключаем программные safety hooks с AST⁠-⁠разбором Bash-команд и разграничиваем права доступа. Перехватчики блокируют удаление файлов, чтение секретов и разрушительные операции с ветками.

Подходит ли этот подход для большого монолита и enterprise-систем?

Да, на крупных кодовых базах точная подача контекста даёт главный эффект. В RepoContextBench на одной модели CodeAlive набрал 65 баллов из 100 против 47 у OpenCode, а на репозитории в 1,5 млн строк ответил в 3 раза быстрее и потратил в 3,6 раза меньше токенов. О переводе enterprise-проекта на агентную разработку рассказывали с Максимом Ключниковым в докладе «Конвертируем Enterprise-проект в Dark Factory».

Вы проводите только обучение по ИИ для программистов или сами настраиваете процесс в репозитории?

Лекции в отрыве от кодовой базы не меняют процесс. Сначала я разбираю репозиторий, настраиваю AGENTS.md, skills, hooks и проверки в CI. Затем мы обучаем разработчиков и техлидов на реальных задачах и пулреквестах вашей команды.

Сколько стоит внедрение ИИ в разработку и от чего зависит цена?

Стоимость зависит от объёма: числа репозиториев, сложности кодовой базы и выбранного формата (стартовая настройка для стартапа или аудит, пилот и сопровождение для компании). Оценку называю после разбора задачи на первой встрече. Тогда же фиксируем состав работ и список артефактов для команды.

Обсудим внедрение ИИ в вашу разработку?

Напишите в Telegram, какие кодинг-агенты команда уже пробует и где теряется время. Разберём задачу и выберем формат: стартовую настройку или пилот на одной команде.