CNN Türkİstanbul’da lodos; bazı vapur seferleri iptal edildiDaily MaverickOLD ROADS AGAIN: Melba-toast memories and boerie rolls served on Italian blue Spode (Part One)Bollywood HungamaMohitt Maalik to play antagonist opposite Tiger Shroff in spiritual action film VajrInquirerBacoor City eyes penalties for emergency hotline prank callersPunchVIDEO: FIFA president arrives in Delta for Warri stadium inspectionThe Jerusalem PostIraqi forces to deploy in Kataib Hezbollah stronghold under deal to ease militia tensionsInquirer EntertainmentMiss Universe 2025 Fatima Bosch praises PH’s Bea Millan-WindorskiThe South AfricanFive things South Africans must do as flash flood alerts loomZDF heuteAktuelle Pressemitteilungen des ZDFIl Fatto QuotidianoÈ morto il cavallo che ha vissuto per 20 anni da solo in un borgo “Potevamo solo alleviargli il dolore alle gambe. Ci ha fatto capire che non ce la faceva più”The Sydney Morning HeraldAFL draft LIVE updates: Overjoyed picks give interviews from school graduations as second round kicks into gearSportstarCyclone Akvan impact — Sethu FC vs Gokulam Kerala IWL 2026-27 clash cancelled due to torrential rain
The Daily Newsstand · Free, Always
Friday, November 20, 2026

Как AI-агент работает в конвейере требований

Translate

Продолжаем тему внедрения ИИ в конвейер требований. В прошлый раз мы рассказывали про инструменты, которые превращают хаос из встреч, БФТ и заметок в упорядоченный Markdown. Но само по себе превращение файлов – только разминка. Настоящая работа начинается, когда в эту папку с подготовленными данными заходит AI-агент. В этой статье – про то, как он устроен, как мы с ним общаемся, что он умеет и где ошибается.

Сразу расшифруем сокращения, которые дальше пойдут без пояснений: БФТ – бизнес-функциональные требования, ЧТЗ – частное техническое задание, НМЦК – начальная максимальная цена контракта.

Конвейер у нас такой: встреча или БФТ – выжимка в Markdown – агент собирает черновик – аналитик правит – документ уходит в Confluence или в разработку.

Где живёт агент и как к нему подступиться

У нас несколько агентов. Часть работает на внутренних серверах компании – это локальные модели, которым мы без опаски скармливаем кодовую базу. Другая часть – корпоративные доступы к облачным или гибридным решениям. Работаем мы во встроенном чате VS Code (GitHub Copilot Chat).

С локальными моделями Copilot Chat дружит через BYOK: в настройках указывается провайдер (Ollama, Azure, любой OpenAI-совместимый endpoint) и ключ, после чего модель появляется в выпадающем списке рядом с облачными. Так что «локальный агент» и «Copilot Chat» – не альтернативы, а комбинация.

Почему VS Code? Причин три. Во-первых, в нём уже лежат репозитории проекта, и агенту не нужно объяснять, где искать код. Во-вторых, рядом можно открыть отдельную папку под агентскую «песочницу»: туда складываем обработанные .md-файлы, скрипты и результаты. В-третьих, файлы подключаются прямо в чате: пишем «Проанализируй #file:requirements.md и #file:meeting_notes.md и предложи структуру ЧТЗ», и агент сам подтягивает содержимое – не нужно копировать километры текста в промпт.

Для локальных агентов доступ открыт и к файлам проекта, и к исходникам (о том, как мы это используем, расскажем дальше). Для остальных оставляем только «контекст задачи»: несколько отобранных Markdown-файлов и базовый промпт. Всё это работает не только в VS Code: Cursor, IntelliJ IDEA, opencode – любая среда с AI-чатом.

Локальные модели не отправляют код наружу, поэтому им можно отдавать исходники без согласований. Облачным – только те документы, которые разрешены политикой компании. И ещё про деньги: на большой БФТ и трёх сервисах кода один разбор съедает заметное количество токенов, так что локальная модель на своём железе часто выходит дешевле.

Настройка агента: скилы

Самый простой и переносимый способ настроить агента – скил. Это обычный Markdown-файл с инструкциями. В VS Code он лежит в «.github/skills/<имя>/SKILL.md», и агент подключает его сам, когда описание совпадает с задачей. В других средах путь другой, но принцип тот же: файл с инструкциями рядом с проектом.

Вот пример скила для подготовки ЧТЗ:

Структура и правила

В скиле главное – чёткая структура результата и жёсткие ограничения. Роль «ты – аналитик» задаёт тон, но сама по себе ничего не гарантирует. Агент без ограничений фантазирует. Агент, которому сказали «не додумывай», «указывай источник», «подсвечивай разночтения», становится инструментом.

Блок «Разночтения» особенно важен: в реальных проектах БФТ и протоколы встреч часто противоречат друг другу. Если агент это не отслеживает, вы получите внутренне несогласованный документ и даже не заметите.

Контекст проекта

В скиле мы держим выжимку ключевого контекста: домен, стек, роли, нормативку. В реальном скиле этот раздел обычно больше, но даже в таком виде он экономит кучу времени. Агенту не нужно объяснять в каждом промпте, что у вас за система и кто её пользователи.

Ссылки на локальные файлы

Агент с доступом к файловой системе может сам пойти и прочитать нужный документ. Поэтому в скиле мы перечисляем справочники: глоссарий, описание архитектуры, общий контекст проекта. Это удобнее, чем запихивать всё в промпт.

Выбор модели и температура

Скил не привязан к конкретной модели: работает с «gpt-4o», «claude-3-5-sonnet-20241022» и локальными вариантами. Температуру и размер контекстного окна в Copilot Chat не выставить – там работает то, что задано вендором. Крутить их есть смысл только для локальных моделей и вызовов через API.

Инструменты

Агенту нужен доступ к файловой системе. Мы включаем:

  • Чтение файлов – чтобы агент сам ходил в «docs/» и «rules/».

  • Поиск по ключевым словам – чтобы быстро находить нужные термины в проекте.

  • Запись файлов – только в папку «output/». Осторожно: если агент с этим инструментом ошибётся, он может перезаписать не тот файл.

Как мы организовали скилы в команде

Чтобы не плодить зоопарк настроек, мы завели общий репозиторий. Под каждый тип работы там лежит свой скил: ЧТЗ, статья в Confluence, разбор кода, тест-кейсы, выжимка встречи, пояснительная записка к техпроекту, функциональные точки для расчёта НМЦК, требования для разработки. Набор рос сам: появлялась новая задача – писали новый скил, обкатывали, клали в репозиторий.

Новичок клонирует репозиторий и получает готовый набор. Если агент начинает чудить – сравнил свой скил с эталонным и сразу видно, где накосячил.

Запуск – короткий промпт: подключили файлы с документами и описали задачу. Скил агент подхватит сам по описанию.

Структура документа, правила и контекст проекта уже в скиле, поэтому промпт занимает две строки.

Что загружаем в контекст: от пары файлов до микросервисов

Документы. В типичном сценарии мы передаём агенту от 2 до 4 Markdown-файлов. Это может быть БФТ заказчика, выжимка со встречи, описание бизнес-сценария из репозитория и пара заметок. Современные модели с таким объёмом справляются без проблем.

Код. Когда нужно разобраться, как работает существующий механизм, на сцену выходят исходники. Мы «скармливаем» агенту 1–3 сервиса микросервисного проекта, но с оговорками:

  • Указываем конкретный метод или логику. Например: «Посмотри метод расчёта комиссии в «CommissionService.java», опиши его логику».

  • Если цепочка идёт через несколько сервисов, мы просим агента ограничиться отслеживанием конкретного механизма и не расползаться на всё подряд.

  • Всё чаще у нас появляются Markdown-выжимки архитектуры, которые разработчики формируют (не без помощи того же агента) при доработке сервисов. Часто для анализа хватает такой выжимки, и лезть в код не приходится.

Отсеивание контекста

Когда мы только начинали, по наивности пытались скормить агенту вообще всё подряд. Он тонул в информации и начинал выдумывать. Довольно быстро выработали правило: не больше 3–4 файлов за раз, и только тех, где есть ключевые термины из задачи. Если не знаете, с чего начать – наведите порядок в папках и используйте поиск по ключевым словам.

Что агент делает и как выглядит результат

Чаще всего агент у нас готовит основу документов. Например, после загрузки БФТ и встреч он выдаёт:

  • Черновик ЧТЗ с уже заполненными разделами «Цели», «Термины», «Общее описание».

  • Список вопросов, где данных не хватило.

  • Предложения по сценариям, которые стоит детализировать.

Фрагмент такого черновика:

Дальше начинается итеративная работа. Аналитик отвечает на вопросы агента, добавляет свой контекст, правит неточности, и агент перегенерирует документ. Постепенно черновик превращается в полноценную версию, которую уже можно отдавать на ревью.

Бывают ситуации, когда проще поправить ручками: например, поменять пару формулировок. Но если ошибка системная (агент неправильно понял предметную область), то выгоднее объяснить ему словами: «В разделе 3 ты перепутал статус „Отклонено" и „Отозвано", исправь во всём документе». Агент послушно пересобирает текст с учётом замечания.

Результат работы – Markdown-файл в папке «output/». Дальше его можно конвертировать в корпоративный .docx через Pandoc или офисный макрос.

Проверка: без человека никуда

Мы не доверяем агенту безоговорочно. Каждый черновик проходит ревью аналитика. Документы для заказчика после внутренней проверки согласуются с заказчиком. Требования для разработки смотрит команда разработки.

Что проверяем:

  • Соответствие исходным источникам. Если требование взято из встречи, оно должно быть именно там, а не домыслено.

  • Логика. Агент может построить цепочку рассуждений, которая противоречит реалиям системы.

  • Формат. Даже с макросом иногда съезжают списки или таблицы.

Где агент ошибается и как с этим жить

Да, агенты врут. Чаще всего это случается при недостаточном контексте. Например, если в выжимке встречи написано «обсудили доработку статусной модели», а подробностей нет, агент может додумать статусы, которых в системе никогда не было. Аналитик знает предметную область и видит подмену сразу.

Хуже, что агент редко признаётся в незнании. Вместо этого он уверенно выдаёт правдоподобную, но неверную информацию. Звучит убедительно, и в этом главная опасность. Поэтому мы привыкли перепроверять всё, что идёт в итоговый документ.

Отдельная история – русскоязычные проекты. На специфической терминологии агент спотыкается: «заявка», «обращение», «запрос» в разных документах могут значить разное, и модель это не всегда различает. Поэтому глоссарий в скиле – не формальность.

Ещё одна грабля – склейка источников. Если в БФТ сказано одно, а на встрече договорились иначе, агент может взять удобную версию и не отметить расхождение. Поэтому блок «Разночтения» в скиле обязателен, а его содержимое мы сверяем с исходниками вручную.

Чем точнее задача и чем полнее исходники, тем меньше фантазий. Но исключить их совсем нельзя, поэтому перепроверка обязательна. За итоговый документ всё равно отвечает аналитик, а не агент.

Что это дало

Сколько именно текста приходится править после агента, зависит от полноты контекста и масштаба фичи. На маленькой доработке хватает пары правок, на большой фиче с десятком сценариев переписываешь половину. Но время всё равно сокращается, и вот три случая из практики.

Разбор чужого кода

Поступила задача: разобраться, как в системе рассчитывается комиссия за проведение платежа. Логика размазана по трём микросервисам, документации толком нет, только пара устаревших Confluence-страниц. Раньше аналитик пошёл бы к разработчику, отвлёк его на час-полтора, потом сам ещё столько же копался бы в коде. С агентом вышло иначе: закинул ему исходники трёх сервисов, попросил отследить цепочку от контроллера до расчётной формулы. Через 20 минут получил описание логики с указанием конкретных файлов и методов. Ещё 15 минут проверил ключевые места сам. Итого около 40 минут вместе с постановкой задачи, вместо двух-трёх часов ручной работы. И разработчик остался работать, не отвлекаясь.

Черновик ЧТЗ

С документами похожая история. Черновик ЧТЗ на основе БФТ заказчика и протоколов встреч раньше занимал день-полтора: открываешь шаблон, перекладываешь требования из одного документа в другой, подбираешь формулировки, форматируешь. Теперь агент собирает черновик за 15–20 минут. Дальше аналитик час-два вычитывает, правит неточности, добавляет то, что знает из контекста, но в документах не зафиксировано. В итоге черновик готов за полдня вместо полутора дней.

Статьи в Confluence

Раньше на описание той же логики расчёта комиссии уходило полдня: собрать факты, написать текст, причесать. Теперь агент получает выжимку из кода и протокол обсуждения, через 10 минут выдаёт готовый драфт. Остаётся только вычитать и поправить пару абзацев.

В этом сценарии у нас ещё задействованы MCP-серверы: агент сам создаёт страницу, обновляет разделы и подтягивает вложения, без копирования текста руками.

С чего начать

Самый простой вход – встроенный чат VS Code (GitHub Copilot Chat). Если пользуетесь Cursor, IntelliJ IDEA или opencode, тоже подойдёт. Агента можно развернуть локально (через Ollama, например) или взять корпоративный доступ к облачной модели. Мы начинали с одного агента под одну задачу и постепенно расширяли.

Кроме скилов есть Cursor Rules, системные промпты в API, кастомные GPTs. Мы выбрали скилы, потому что это обычный Markdown в git: его можно ревьюить, версионировать и переносить между средами. Cursor Rules работают только внутри Cursor, системный промпт живёт внутри кода приложения. Если вы уже сидите в одной среде и никуда не собираетесь, подойдёт и то, и другое.

Заведите по скилу на каждый тип документа: ЧТЗ, статья в Confluence, тест-кейсы, пояснительная записка. Один универсальный скил на все случаи жизни не работает. Обкатайте на реальных задачах. У нас в команде прижилась практика: один аналитик делает черновик скила, второй допиливает под свой кейс. Так набор становится только лучше.

Не начинайте с большой фичи. Возьмите одну БФТ и один протокол встречи, положите в пустую папку и попросите агента собрать черновик ЧТЗ по структуре из этой статьи. Дальше смотрите, что получилось, и правьте скил под себя. Первый результат будет так себе, третий – уже рабочий.

Выделите агенту отдельную папку и скажите: «работаешь только здесь». Внутри – подпапки под документы, код и результаты. Без этого через полгода будет каша.

К агенту мы относимся как к толковому стажёру. Он соберёт информацию, набросает структуру, подсветит тёмные места. Но финальное решение всегда за человеком: не проверили – получили брак на выходе. Если воспринимать его как помощника, а не замену себе, работать становится правда легче и быстрее.

Иногда кажется, что быстрее сделать самим, чем написать скил. На разовой задаче так и есть, но, если задача повторяется (еженедельная выжимка встреч, например), один раз отлаженный скил окупается многократно.

View the original on Хабр →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.