Mindbox внедрила ИИ-агента для анализа задач перед написанием кода
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Команда Mindbox разработала плагин, позволяющий ИИ-агенту самостоятельно изучать документацию и код, выявляя скрытые зависимости до начала разработки. Это решение помогло избежать критических ошибок в логике отчетов и снизить нагрузку на разработчиков.
Проект демонстрирует практический переход от генерации кода к автоматизации аналитической фазы, что снижает риски регрессий и повышает качество подготовки технических заданий в условиях отсутствия штатных системных аналитиков.
В компании Mindbox старший фронтенд-разработчик Игорь Уваров описал опыт внедрения специализированного ИИ-агента, который выполняет функции системного аналитика. С января 2026 года агент генерирует до 90% кода, однако основная сложность сместилась на этап подготовки: сбор контекста, уточнение требований и выявление ограничений. Чтобы решить эту проблему, разработчик создал плагин, который изучает репозитории, документацию и архитектурные решения (ADR), а затем формулирует вопросы для обсуждения с командой.
Необходимость в таком инструменте возникла при доработке аналитических отчетов. Задача состояла в разделении сегмента «Все клиенты» на идентифицированных и анонимных пользователей, а также добавлении новых метрик. Попытка решить задачу методом «вайбкодинга» (быстрого написания кода по запросу) привела к размытию бизнес-логики по множеству функций и отклонению изменений на ревью. Это подтвердило, что без глубокого понимания контекста ИИ не способен корректно реализовать сложные изменения.
Агент-аналитик выявил четыре критических «слепых пятна», которые могли привести к сбоям. Во-первых, он обнаружил противоречие между новым решением и ранее принятым архитектурным решением (ADR), о котором команда забыла. Во-вторых, агент предупредил, что передача определенного значения сегмента на бэкенд нарушит контракт API и вызовет ошибку. В-третьих, при рефакторинге было предотвращено удаление критически важного правила расчета метрик. Наконец, ИИ заметил несогласованность в кодировании сегмента «Все» для таблицы и графика, что привело бы к пустым данным в интерфейсе.
Тем не менее, полностью доверять агенту пользовательский интерфейс невозможно. При ручной приемке были найдены недочеты: метрики не указывали, для какого именно сегмента рассчитаны, а отрицательный прирост отображался как «−0%». Также произошел инцидент, когда рефакторинг случайно удалил фильтр, необходимый для разбивки по подписчикам, что потребовало экстренного исправления после обращения клиента в поддержку.
Технически решение эволюционировало от простого скилла на 30 строк до сложной системы из девяти скиллов и субагентов. Архитектура включает агента-критика, который проверяет спецификации на противоречия, и инструменты для работы с внутренней документацией через MCP. Разработчик отказался от использования готовых фреймворков вроде OpenSpec, так как они не учитывали специфику процессов Mindbox. Итоговая версия плагина сочетает автоматизацию исследования с ручным контролем ключевых этапов, обеспечивая баланс между скоростью разработки и надежностью кода.