← Каталог

· AI Engineer World's Fair 2026

AI agents для производительности: быстрее выпускать, меньше тратить

AI Agents for Performance: Ship Faster, Pay Less

Агент, которому дают CPU-профиль и ревизию из продакшена, находит дорогие участки кода и, по словам спикера, доводит их до code review за несколько минут.

  • Квадратичный цикл в продакшене — O(N²)-паттерн занимал 8,8% CPU во время профилирования, и агент нашёл его по стекам вызовов, без ручного поиска по горячим путям. Исправление дало измеримое снижение CPU и задержки в продакшене.
  • Один антипаттерн в семи сервисах — создание счётчика метрик Spectator на каждой итерации горячего пути нашлось в семи сервисах через поиск по репозиториям; по оценке авторов, исправление всех дало бы от 0,5 до 4,6% CPU.
  • Каталог в markdown вместо векторной базы — паттерны и антипаттерны лежат в центральном git-репозитории с уровнем уверенности, и агенты других сервисов переиспользуют уже найденное. Тот же каталог можно подключить к агенту при написании кода, чтобы не ловить антипаттерн на ревью.
  • Canary как проверка, человек как approver — агент открывает code review только после тестов и сравнения canary с основным трафиком, а мерж решает инженер, потому что без знания бизнес-контекста правка может сломать логику.

Кому полезно: тем, кто снижает CPU-затраты сервисов в продакшене и думает, как подключить агентов к профилированию, поиску hot path и code review.

Статья по теме

На какие вопросы отвечает доклад

Главы

Похожие доклады