← Каталог

· AI Engineer Europe 2026

Автономная разработка продуктов: от продуктовых сигналов до pull request

Self Driving Products: Product Signals to Pull Requests

Сигналы из аналитики, ошибок и session replay можно превращать в готовые PR в GitHub, если группировать их через LLM-генерируемые запросы к эмбеддингам.

  • Группировка через запросы — эмбеддинги самих сигналов сводят вместе записи похожей структуры: ошибки с ошибками, сообщения из Slack с сообщениями. По словам спикера, LLM генерирует для каждого сигнала несколько запросов, и поиск по ним работает заметно лучше.
  • Фильтр на входе — публичные источники можно подделать, поэтому первым шагом стоит LLM-классификатор, который отбрасывает сигналы с вредоносными инструкциями.
  • Три исхода после исследования — отчёт либо возвращается в пул за новыми данными, либо уходит человеку в инбокс, либо получает фикс. Размытые проблемы вроде «онбординг сломан» дают шумные PR, поэтому их нужно отсекать.
  • Evals на данных клиентов — проверка на своих данных не показывает реального разброса. Дорогой шаг с агентом после сотни запусков можно заменить одним LLM-вызовом или дешёвой моделью.

Кому полезно: тем, кто строит агентов, которые разбирают продуктовые данные и ошибки и предлагают правки в код.

Статья по теме

Главы

Похожие доклады