Один день и $1 000 на токены: AI-штаб для работы с legacy-кодом
One Day, $1,000 in Tokens: An AI War Room for Legacy Code — Ford Prior, GEICO
Агентная war room с очередью проверки людьми за день и $1000 на токены доводит legacy-домен до предложенного изменения и API для агентов, по словам автора.
- Координатор с очередью проверки — FleetKit разбивает цель на этапы: исследовательские агенты готовят подход, люди комментируют его в общей очереди, и только после одобрения запускаются агенты-строители. Очередью может служить, например, GitHub Issues.
- Контекст, методы и полномочия — по словам автора, ценность создают не модель и не harness, а собственные стандарты, база прошлых решений, доменные skills и правила о том, кто принимает решение на каждом этапе. Эти материалы хранятся в репозиториях, которые правят и люди, и агенты.
- Результаты по трём доменам — в аренде найдено потенциальное сокращение 8 500 вызовов в месяц за счёт актуальной информации для клиента, в домене salvage подготовлен проверенный план миграции с API-спецификациями, а агент, по словам автора, нашёл баг в проде.
- Цена агентов — не запускайте проверки по cron из сессии Fable: каждая проверка открывает новую сессию и быстро съедает бюджет. Автор также отмечает, что доля prompt caching оказалась выше ожидаемой.
Кому полезно: тем, кто работает с большой legacy-системой и хочет, чтобы агенты помогали с решениями и согласованием, а не только с написанием кода.
Статья по теме
На какие вопросы отвечает доклад
Как ускорить решения и согласования вне кодинга, если разработка уже быстрая?
GEICO собрал AI-native war room: лица, принимающие решения, эксперты предметной области, водитель с инструментами и флот агентов работают в одном канале миссии. Спикер считает узким местом не написание кода, а сбор контекста и согласования.
▶ 0:00Внутренний и внешний циклыКак за один день превратить легаси-домен в API, которые могут вызывать агенты?
Спикер ставил задачу за день с бюджетом $1000 на токены: картировать домен, предложить одно изменение и развернуть API для вызова агентом. Эксперимент повторили на трёх доменах: аренда, ущерб и годные остатки.
▶ 4:38AI-native оперативный штаб и ставка на один деньКак координировать агентов-исследователей и агентов-строителей с проверкой человеком?
FleetKit задаёт правила в Markdown: цель разбивается, агенты-лидеры готовят подход и выкладывают его в очередь на проверку человеком, и только после одобрения запускаются строители. Для отслеживания задач агентов используется Beads.
▶ 9:57FleetKit и координация агентовПочему расходы на токены быстро растут, если агент сам настраивает cron-проверки своей работы?
Каждая проверка по cron запускала новую сессию Fable, и бюджет сгорал за считаные минуты, поэтому спикер советует не давать агенту такие настройки. Попаданий в prompt caching оказалось больше, чем он ожидал.
▶ 15:58Уроки по стоимости, бенчмарки и следующие шагиКакую модель выбрать для переписывания легаси-кода: Fable или Sonnet?
По словам спикера, на ограниченном бенчмарке с эталонным кодом, написанным недавно, Sonnet 5.5 справился не хуже Fable. Выборка маленькая, поэтому выбор модели стоит проверить на своём коде.
▶ 15:58Уроки по стоимости, бенчмарки и следующие шагиКакие части агентной системы стоит держать в собственности компании, а какие можно заменить?
Заменяемы harness, модель и плагин модернизации от вендора. Своими остаются база знаний с контекстом, локальные инструменты, методы в виде skills и решения о том, кто и на каком этапе принимает решение.
▶ 8:30Инструменты вендоров и контекст GEICO
Главы
Похожие доклады
Страховые убытки — самая сложная проблема с данными для ИИ
Близко по содержанию
AI coding agents ломают большие кодовые базы
AI Engineer World's Fair 2026
Близко по содержанию
У токенов должны быть свои задачи
Близко по содержанию
Parameter Golf с AutoResearch
Zhengyao Jiang, Dhruv Srikanth, Dixing Xu, Vayum Arora
AI Engineer World's Fair 2026
Близко по содержанию

