← Каталог

· AI Engineer Summit 2025

Как создавать AI-агентов с реальной отдачей для enterprise SDLC

Building AI Agents with Real ROI in the Enterprise SDLC

Обучение разработчиков, а не сам инструмент, определило успех агентов для кодинга в Booking.com: по словам авторов, ежедневные пользователи Cody выпускают на 30% больше MR.

  • Метрики вместо сэкономленных часов — команда отказалась от оценки «сэкономленных часов» как статистически слабой и выбрала четыре KPI с горизонтом в год: время выпуска изменений, качество, инсайты по кодовой базе и срок переноса на новую платформу. Цель в том, чтобы сократить перенос с лет до месяцев.
  • Агент по большой GraphQL-схеме — схема API длиннее миллиона токенов не помещается в контекст, поэтому агент ищет нужные узлы, поднимается по дереву к родительским и собирает ответ. По словам авторов, без подбора промптов результаты были мусорными.
  • Миграция по частям — функции длиной больше 10 000 строк разбивали на небольшие куски с помощью поиска по коду и структурированных мета-промптов; по словам авторов, понимание кодовой базы сократилось с месяцев до дней.
  • Ревью по правилам команды — правила записываются в простой плоский файл, агент применяет их к изменённым файлам и оставляет немного комментариев, выбирая точность в ущерб полноте.

Кому полезно: тем, кто внедряет агентов для кодинга в большую легаси-кодовую базу и должен показать их эффект в метриках.

Статья по теме

Главы

Ещё доклады: Beyang Liu

Страница спикера →

Похожие доклады