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
Мы дали агенту доступ к production-коду и попытались спать спокойно
AI Engineer World's Fair 2026
Близко по содержанию
Что данные о 20 миллионах pull requests говорят о трансформации с помощью ИИ
AI Engineer Code 2025
Близко по содержанию
От сигнала до PR: устройство самоулучшающегося агента
AI Engineer World's Fair 2026
Близко по содержанию
Пилотирование agents в GitHub Copilot
AI Engineer World's Fair 2025
Близко по содержанию

