Перейти к содержанию
Публикация AiManual

ИИ-агенты для системного аналитика: кейс ЮMoney и OpenCode

Системный аналитик ЮMoney Арина Ерофеева перевела рутину на ИИ-агентов в OpenCode: сбор контекста из Jira и репозиториев, черновики решений, разбор 411 коммента

Коротко

Что будет в материале

  1. 01

    Что изменилось: от отдельных промптов к системе ИИ-агентов

  2. 02

    Какие задачи аналитика реально отдать ИИ-агентам

  3. 03

    Кейс с 411 комментариями в pull request: как разгрести ревью

  4. 04

    Распределение ролей: аналитик думает, ИИ критикует

Системный аналитик ЮMoney Арина Ерофеева описала переход от разовых промптов к системе ИИ-агентов на корпоративном инструменте OpenCode. Агенты закрывают повторяющиеся задачи: собирают исторический контекст из Jira, документации и репозиториев, готовят черновики технических решений, проверяют документы на соответствие внутренним соглашениям и актуализируют их по коду. Отдельный сценарий - сортировка комментариев ревью в pull request: в одном случае их набралось 411.

Главный принцип схемы: гипотезу формулирует аналитик, ИИ выступает оппонентом и ревьюером, а финальное решение и публикация остаются за человеком. Решения принимает аналитик, и он же отвечает за результат.

Ниже разбор опубликованного кейса: какие задачи стоит отдавать агентам, где проходит граница автоматизации и какие практики помогают не утонуть в рутине. Материал полезен системным аналитикам, тимлидам и бизнес-аналитикам. Количественных оценок экономии времени в источнике нет, поэтому цифры эффективности здесь не приводятся.

Что изменилось: от отдельных промптов к системе ИИ-агентов

Автоматизация началась с конкретных повторяющихся задач, а не с идеи внедрить ИИ во все процессы сразу. Такую последовательность Арина Ерофеева объясняет в опубликованном разборе: сначала находится операция, которая повторяется и имеет понятный вход и выход, затем под неё собирается агент. ЮMoney прошла путь от экспериментов с промптами к системе автоматизации на основе ИИ-агентов.

Почему разовые промпты перестали работать

Разовая подсказка в чате решает одну задачу здесь и сейчас. Контекст проекта в ней не сохраняется: следующий вопрос начинается с чистого листа, а результат живёт в переписке и редко возвращается в рабочий процесс. Воспроизвести такой запрос через месяц сложно: непонятно, какие документы были на входе и почему ответ выглядел именно так.

Система агентов опирается на источники проекта: Jira, документацию и репозитории. Результаты фиксируются, а сценарии можно запускать повторно. Разница практическая: одиночный промпт годится для разовой формулировки, система нужна там, где задача повторяется и требует доступа к истории. Именно поэтому команда начала с конкретных повторяющихся задач, а не с идеи внедрить ИИ во все процессы сразу.

Роль OpenCode в схеме

В кейсе используется корпоративный инструмент OpenCode. Публичный фрагмент материала обрывается на его описании, поэтому функции, версии и лицензионные условия инструмента здесь не приводятся: в источнике их нет.

Что известно точно: OpenCode служит базой, на которой команда строит работу ИИ-агентов. Принципы из кейса переносимы на другие агентные среды: доступ к Jira, документации и репозиториям, узкие сценарии, фиксация промежуточных результатов, общий репозиторий скиллов. Это общее соображение, а не проверенный перенос на конкретный фреймворк. Выбор корпоративного инструмента обычно связан с требованиями информационной безопасности и правами доступа к внутренним системам, а не с удобством интерфейса.

Какие задачи аналитика реально отдать ИИ-агентам

Список сценариев в кейсе сводится к повторяемой работе с текстом и кодом. Архитектурные решения в него не входят.

СценарийЧто делает агентЧто остаётся человеку
Сбор исторического контекстаИщет связанные тикеты в Jira, прошлые решения и фрагменты кодаОтбрасывает устаревшее, проверяет применимость
Черновик технического описанияСобирает структуру и первый вариант текстаФормулирует решение и отвечает за смысл
Проверка по внутренним соглашениямСверяет документ с формализованными требованиямиРешает, как устранять расхождения
Поиск похожих решенийПоднимает прошлые разборы по темеОценивает, что действительно переносимо
Актуализация документации по кодуСверяет текст с кодом и предлагает правкиПроверяет изменения и публикует
Сортировка комментариев ревьюГруппирует замечания и готовит черновики ответовПринимает или отклоняет каждое замечание

Рабочий цикл начинается с задачи в Jira с продуктовыми требованиями. Похожую схему с виртуальными исполнителями в Jira разбирает отдельный материал AI-Manual: там агент получает задачу, собирает контекст из внешних систем и публикует результат на проверку.

Сбор контекста: Jira, документация, репозитории

Агент подтягивает связанные тикеты, прошлые решения и фрагменты кода по теме задачи. Аналитик не тратит время на ручной поиск по нескольким системам и быстрее выходит на содержательный разбор.

Ограничение прямое: качество зависит от доступности источников и их актуальности. При устаревшей документации агент воспроизведёт устаревший контекст и сделает это уверенно. Отдельный разбор показывает, почему контекстная инфраструктура важнее самого агента: без синхронизации с коммитами и базой знаний любой помощник отвечает по памяти, а не по системе.

Черновики технических решений и проверка по соглашениям

Агент готовит черновик технического описания и проверяет документ на соответствие внутренним соглашениям. Черновик остаётся стартовой точкой для аналитика, а не готовым документом: структура и формулировки экономят время, но решение принимает человек.

Проверка по соглашениям работает как автоматический чек-лист. Условие одно: соглашения должны быть формализованы и доступны агенту в виде текста, а не жить в голове ведущего аналитика. Практический приём из этого же ряда - поиск похожих решений в истории проекта до написания нового раздела. Агент поднимает прошлые разборы, аналитик решает, что переносится на новую задачу.

Актуализация документации по коду

Агент сверяет документ с кодом и предлагает правки. Расхождение описания и фактического поведения системы - типичная боль аналитика, особенно в местах, где код меняли быстрее документации.

Граница жёсткая: правки проверяет человек, автоматическая публикация не выполняется. Полной автоматизации здесь не будет, речь идёт о подготовке изменений. Принять архитектурное решение за аналитика нельзя, этот пункт в кейсе назван прямо.

Кейс с 411 комментариями в pull request: как разгрести ревью

В одном из pull request набралось 411 комментариев. Этот случай вынесен в заголовок материала ЮMoney, и он хорошо показывает масштаб проблемы: при таком объёме аналитик теряет не на формулировке ответа, а на навигации по ветке.

В кейсе агент сортирует комментарии и готовит черновики ответов. Подробности этого эпизода в опубликованном фрагменте не раскрыты: неизвестно, сколько времени заняла обработка и сколько замечаний в итоге приняли. Поэтому ниже рабочий ориентир для похожей ситуации, а не пересказ внедрения в ЮMoney.

Логика, которую имеет смысл поручать агенту: сгруппировать замечания по файлам и темам, отделить вопросы к автору от требований правок, отметить повторы и конфликтующие замечания, подготовить черновик ответа по каждой группе. Человек по-прежнему принимает или отклоняет каждое замечание и формулирует финальный ответ.

Сортировка оправдана, когда комментариев десятки и они разнородны. При трёх-пяти замечаниях ручная обработка быстрее, чем настройка запуска и проверка результата.

Распределение ролей: аналитик думает, ИИ критикует

Ключевой принцип кейса: гипотезу формирует аналитик, ИИ выступает оппонентом и ревьюером, финальные решения и публикация остаются за человеком. Решения принимает аналитик, и он же отвечает за результат.

Причина проста: агент может уверенно ошибаться. Модель, которая обязана согласиться с постановкой, выдаст подтверждение вместо проверки. Ответственность за архитектуру и документ не делегируется, поэтому роль критика для агента полезнее роли исполнителя.

Практический приём: просить агента искать слабые места в гипотезе, а не подтверждать её. Формулировка на входе звучит так: какие допущения в этом решении не проверены, какие два альтернативных варианта существуют и какие данные нужны, чтобы выбрать между ними.

Признак работающей схемы: аналитик может объяснить каждое финальное решение без ссылки на модель. Если ответ сводится к «так написал агент», контроль потерян.

Практики, чтобы автоматизация не стала лишней работой

Три практики из кейса названы в описании темы: дробление скиллов на одну задачу, фиксация промежуточных результатов во внешней памяти и общий репозиторий сценариев для команды. Дословного раскрытия реализации в опубликованном фрагменте нет, поэтому ниже принципы, а не внутреннее устройство системы.

Один скилл - одна задача

Узкий скилл проще проверить, переиспользовать и комбинировать с другими. Широкий скилл «сделай всё по задаче» сложно отлаживать: непонятно, на каком шаге агент ошибся и что менять в инструкции.

Действие: разбить сценарий до операции с одним входом и одним результатом, например «собрать связанные тикеты по ключу задачи» или «сверить раздел документа с соглашением об именовании». Признак результата: скилл описывается одним предложением и проверяется на одном типе входа.

Внешняя память для промежуточных результатов

Промежуточные результаты сохраняются во внешней памяти, чтобы не терять контекст между шагами и сессиями. При длинной задаче контекст диалога ограничен, а собранный список тикетов, найденные фрагменты кода и черновик раздела нужны на следующих этапах.

Действие: определить, что именно фиксируется после каждого шага, и куда это складывается. Признак результата: следующая сессия продолжает работу с того же места, а не собирает контекст заново. Конкретные форматы хранения в источнике не описаны, выбирать их нужно под свои инструменты.

Общий репозиторий сценариев для команды

Сценарии хранятся в общем репозитории, чтобы команда переиспользовала наработки. Иначе каждый пишет своё, лучшие практики не распространяются, а при уходе сотрудника его скиллы исчезают вместе с личными заметками.

Действие: завести место, где лежат описания скиллов и правила их запуска. Признак результата: новый сотрудник берёт готовый сценарий и запускает его без переписки с автором.

Ограничения подхода и типичные ошибки

Агент может уверенно ошибаться: галлюцинация в техническом описании выглядит так же гладко, как корректный абзац. Проверка нужна на каждом выходе, который попадает в документ или в ревью.

Качество зависит от источников. Устаревшая документация, неполные тикеты и брошенные ветки репозитория дают неверный контекст, причём агент не сообщит об этом сам.

Архитектурные решения остаются вне автоматизации. Соглашения должны быть формализованы, иначе проверка превращается в имитацию: агент сверяет документ с общими словами и выдаёт такой же общий отчёт. Количественных оценок эффективности в источнике нет, поэтому ожидания стоит строить на наблюдаемой экономии рутинных действий, а не на обещанных процентах.

ОшибкаКак избежать
Старт с идеи внедрить ИИ во все процессыВыбрать одну повторяющуюся задачу с понятным входом и выходом
Слишком широкий скиллДробить до одной операции и проверять на одном типе входа
Потеря контекста между шагамиФиксировать промежуточные результаты во внешней памяти
Сценарии у одного сотрудникаДержать их в общем репозитории команды
Доверие агенту финальной публикацииОставлять решение и публикацию за аналитиком

С чего начать внедрение в своей команде

Пошаговый ориентир на основе принципов кейса. Это общая логика, а не проверенная методика для любого инструмента.

  1. Выбрать одну повторяющуюся задачу с понятным входом и выходом. Хороший кандидат: проверка документа по формализованному соглашению или поиск прошлых решений по ключевым словам задачи.
  2. Описать задачу как отдельный скилл с одним результатом. Если описание занимает больше нескольких предложений, сценарий стоит разделить.
  3. Настроить фиксацию промежуточных результатов: что сохраняется после каждого шага и откуда берётся на следующем.
  4. Завести общий репозиторий сценариев и договориться, как в него попадают новые скиллы.
  5. Закрепить правило: гипотеза и финальное решение за аналитиком, агент критикует и готовит черновики.

Кейс описывает опыт одной команды на корпоративном OpenCode. Перенос на другие инструменты требует проверки: набор доступных источников, права доступа и требования информационной безопасности различаются. Небольшой команде или одиночке важнее доступ к Jira, документации и репозиториям и дисциплина фиксации результатов, чем конкретное название платформы. Критерии выбора первой задачи для пилота разобраны в материале про агентоцентричные бизнес-процессы.

Если задача затрагивает архитектуру, внешние обязательства или публикацию документа, нужен специалист по существу задачи, а не только агент. Самостоятельная проверка заканчивается там, где решение меняет систему или обязательства перед другими командами.

Подписаться на канал