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
Исправление сгенерированного кода дольше написания вручную
Разработчик быстро получает черновик от Claude Code или Cursor, но часами переписывает его под архитектуру проекта. Код решает локальную задачу, но нарушает инварианты домена, дублирует модули и растит техдолг.
Агент не знает правил репозитория и контекста проекта
В каждой сессии приходится заново объяснять структуру слоёв, соглашения об именах и запуск проверок. На крупном репозитории агент забивает контекст лишними файлами, теряет связи компонентов и вызывает несуществующие методы.
Очередь на ревью разрастается, а ошибки уходят на стенды
Поток сгенерированного кода превышает пропускную способность техлидов на code review. Большие пулреквесты трудно читать глазами, поэтому в ветку попадают регрессии, лишние зависимости и сломанные контракты API.
Опасные команды и бесконтрольные правки в окружении
В агентном режиме инструмент получает доступ к терминалу и файлам. Без ограничений агент может удалить данные, испортить конфигурацию, затереть коммиты или выполнить опасную команду в Bash.
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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
- Правила AGENTS.md и CLAUDE.md с архитектурой, командами сборки, тестов и ограничениями репозитория.
- Тезаурус проекта (Ubiquitous Language) с едиными именами сущностей в коде, API и документации.
- Набор кастомных skills: от разбора требований и прототипа до автотестов и рефакторинга.
- Safety hooks с тестами для блокировки опасных Bash-команд, защиты секретов и веток.
- Проверки в цикле разработки: линтеры, контроль сложности, автотесты и пре-ревью.
- Настройки оркестрации нескольких агентов и методика замера метрик до и после пилота.
Формат под размер команды
Стартапу
Архитектурный старт и стартовая настройка
Разбираем идею, ограничения и бюджет до начала разработки. Помогаю выбрать основу продукта и настроить репозиторий под проверку решений на прототипе и работу с кодинг-агентами.
- Подбор моделей, фреймворков и инфраструктуры под задачи и бюджет
- Стартовая настройка репозитория: AGENTS.md, CLAUDE.md, skills и hooks
- Автотесты, линтеры и правила работы с агентами от требований до релиза
Компании
Аудит, пилот и сопровождение
Изучаю процесс разработки и кодовую базу, нахожу потери времени на исправление кода за агентами и ревью. Проверяем подход на одной команде или сервисе, замеряем метрики и переносим на остальные команды.
- Разбор кодовой базы, архитектуры и процессов разработки
- План пилота на одной команде и метрики до и после изменений
- Передача практик команде, настройка skills, hooks и сопровождение
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.
- Кейс и бенчмаркRepoContextBenchСравнение CodeAlive и OpenCode на 40 вопросах по двум open-source репозиториям на модели DeepSeek V4.1 Flash. Качество исследования кодовой базы: 65 баллов из 100 у CodeAlive против 47 у OpenCode. На репозитории в 1,5 млн строк агент потратил в 3,6 раза меньше токенов и ответил в 3 раза быстрее.
- SkillCode That Fits in Your HeadПомогает агенту писать код, который легко читать и поддерживать, удерживая низкую сложность модулей и инкапсуляцию.
- SkillUbiquitous LanguageПоддерживает тезаурус проекта и единые имена в коде, API и документации.
- Skill и репозиторийPragmatic OrchestrationОркестрация агентов разных производителей через porch CLI: независимое ревью и делегирование задач между Codex, Claude Code, OpenCode, Grok Build, Gemini и Devin CLI.
- ДокладКонвертируем Enterprise-проект в Dark FactoryВыступление с Максимом Ключниковым о переводе enterprise-проекта на цикл агентной разработки.
- РепозиторийAI-Driven DevelopmentОткрытый набор skills и safety hooks с AST-разбором Bash-команд для агентной разработки. Рядом Vibe Stack: стек с архитектурой, автотестами, линтерами и мониторингом для AI-native проектов.
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.