EXANTE внедрила ИИ-агента Codey: 75% успеха в автоматизации разработки
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Компания EXANTE представила результаты полугодового пилота системы Codey, которая автономно выполняет задачи по разработке ПО. По данным компании, система успешно закрыла 75% из 250 переданных задач, сократив время от написания кода до развёртывания тестового окружения до 30 минут.
Материал демонстрирует практический опыт интеграции LLM-агентов в промышленный цикл разработки, раскрывая архитектурные решения, метрики эффективности и организационные барьеры, с которыми сталкиваются компании при переходе к автономной разработке.
Ведущая веб-направления в EXANTE Алина рассказала о внедрении системы Codey — оркестрирующего слоя для AI-агентов, который за полгода обработал 250 задач. Согласно предоставленным данным, 75% из них были выполнены успешно, а система взяла на себя 7% общего объёма работы в подключённых командах. Ключевым показателем эффективности стало сокращение времени от начала написания кода до развёртывания feature environment до 30 минут.
Архитектурно Codey представляет собой слой оркестрации, связывающий различные AI-агенты (на базе Claude Agent SDK, Codex и OpenCode) в единый процесс. Система распределяет роли между шестью специализированными агентами: Researcher, Planner, Developer, Reviewer, QA и Verifier. Для каждой роли подбираются отдельные модели на основе регулярных бенчмарков, что позволяет оптимизировать соотношение качества, скорости и стоимости. Например, для некоторых задач более простые модели оказались эффективнее мощных, так как точнее следовали плану и реже усложняли решения.
Процесс работы начинается с Jira или Slack, где Codey анализирует требования, исследует кодовую базу и формирует план реализации. После написания кода и тестов система запускает автоматические проверки: линтеры, security-сканы и AI review. Если выявляются ошибки, задача возвращается на доработку, но не более трёх итераций. При неудаче она получает статус AI failed, что фиксируется в статистике для последующего анализа. Успешные изменения разворачиваются в изолированном окружении для проверки заказчиком.
Компания отмечает, что успех зависит от качества постановки задач и подготовленности проектов. Для этого были введены обязательные шаблоны Jira с описанием acceptance flow и требований к тестам. Также для каждого проекта настроен профиль с описанием архитектуры и правил разработки, а также созданы специфические skills на трёх уровнях: глобальном, языковом и проектном. Это позволяет адаптировать поведение агентов под конкретный контекст.
Среди основных вызовов EXANTE выделяет необходимость смещения нагрузки на этап ревью, так как разработчикам приходится проверять не только результат, но и логику интерпретации задачи AI. Инфраструктурные расходы контролируются за счёт ограничения срока жизни тестовых окружений. Система постоянно улучшается через Learning loop, который анализирует логи ошибок и формирует гипотезы для оптимизации. В одном из циклов из 20 предложенных изменений в production были включены только девять, прошедшие измеримое улучшение.
В перспективе EXANTE планирует расширить автоматический анализ бэклога, подключить дополнительные источники контекста и перейти к delivery по фичам. Компания подчёркивает, что AI-разработчик становится частью рабочего процесса не благодаря одной сильной модели, а за счёт качественных требований, подготовленных проектов и измеримых проверок. Ответственность за финальное решение и выпуск продукта остаётся за людьми.