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 →Новые навыки работы с coding agents
AI Engineer World's Fair 2025
Amp Code: новое поколение AI-разработки
AI Engineer Code 2025
Окупаемость AI: зачем нужны eval-фреймворки
AI Engineer World's Fair 2024
Похожие доклады
Как измерить ROI от ИИ в разработке ПО (исследование Stanford / 120 тыс. разработчиков)
AI Engineer Code 2025
Близко по содержанию
Как разработка с AI может вдвое повысить производительность инженерной команды
AI Engineer Europe 2026
Близко по содержанию


