The Jerusalem PostOdds rise of Trump-Kim meeting on APEC sidelines, analysts sayInquirer6 hurt after truck crashes into warehouse in Benguet townPunchObasa celebrates son’s LG chairman of the year awardDaily MaverickSomaliland briefly detains Americans accused of threatening national securityInquirer EntertainmentBINI, SB19 celebrate historic Grammy nominationsESPN CricinfoMS Dhoni ends IPL career, joins CSK as mentorZDF heuteAktuelle Pressemitteilungen des ZDFObservador DesportoPrisão preventiva para jovem suspeita de matar senhorio20 Minuten«Dauert noch»: Lena Meyer-Landrut meldet sich nach FunkstilleKhaosod EnglishThailand plans 100,000-seat stadium in Chonburi sports complexAntara NewsIndonesia aims to boost community businesses through social forestryPremium TimesPlateau records 5,457 suspected diabetes cases in nine months
The Daily Newsstand · Free, Always
Tuesday, November 17, 2026

Copier + LLM: почему одной LLM не хватило

Translate

Привет, Хабр! Я Владимир Кузнецов, тимлид бэкенд разработки продукта FindFace Multi (и других продуктов на его основе) в компании NtechLab.

Этой весной мы получили от бизнеса задание, требующее создания 8 объемных сервисов за полгода командой из 3-х человек. Мы поняли, что ручным набором кода не успеем. Попробовали LLM - обожглись. Увидели пользу детерминированной генерации (copier) и поверх нее подключили LLM.

В итоге на 6 сервисах сэкономили порядка 1 человеко-года разработки, количество багов в фичах упало почти до нуля. devx улучшился.

Хочу поделиться с вами рассуждениями и технологиями, которые позволили этого достичь - уверен, они и вам помогут повысить скорость и качество разработки.

Цель: создать 8 python сервисов в сжатые сроки

Сервисы различались интерфейсом (grpc / http), очередями (nats / kafka).

Но в тоже время некоторые из них имели повторяющиеся части (настройки логирования, обработку ошибок, otel инструментацию, БД + object storage, outbox паттерн).

Stakeholder-ы были разными, поэтому нужны были разные сервисы.

Гипотеза: LLM позволит нам это сделать и нас устроит результат

Вдохновлялись экспериментом OpenAI, показавшим успешное создание продукта, в котором весь код и тесты написаны LLM, а человек лишь направлял генерацию.

Мы использовали Qwen3-Coder-30B-A3B-Instruct (в начале года только на него хватало железа, а публичную LLM использовать было нельзя).

Оказалось, что нет стабильности и воспроизводимости

Проблемы начались уже с попытки настроить наблюдаемость: ИИ агент не смог сгенерировать рабочий docker-compose.yaml и конфиги для Victoria stack.

При написании кода пытался починить тесты переносом файлов в другие папки, чем ломал требуемый layout.

Стало понятно, что человеку придется читать код и, скорее всего, лично его дорабатывать.

С корректностью кода была надежда на улучшение за счет обновления harness и модели.

Однако LLM писала код всегда по-новому.

Если бы мы отмасштабировали это на несколько сервисов, то погрязли бы в поддержке как в болоте: знакомство с организацией кода в одном сервисе не помогало бы разобраться в другом + везде были бы разные ошибки.

Что и как пытались стабилизировать:

  1. код

    1. стандарты (приведен не весь список)

      1. snake / kebab case

      2. API

      3. наблюдаемость (json логи, otel)

      4. cloudevents

      5. Vertical Slice Architecture (VSA)

    2. линтеры

      1. codespell

      2. ruff

      3. ty

      4. wemake-python-styleguide (WPS)

  2. результат выполнения кода

    1. тесты

    2. ralph loop (manual)

    3. self evolution (промпты модель сама меняла)

Решение: генерация каркаса сервиса по шаблону (copier) + LLM для уникальных фич

За кажущимся многообразием сервисов получилось увидеть паттерн:

src
  {service_name}
    config
      settings.py
      {di}  # dishka
    features
      {feature_name}
        {operation}
    infrastructure
      {clients}
      {messaging}  # faststream (pub & sub)
      {migrations}
      {observability}  # OTEL, pyroscope, structlog
      {orm}  # advanced alchemy
      {outbox}
    interfaces
      {cli}
      {grpc}
      {http}  # litestar + msgspec
justfile
Dockerfile
pyproject.toml

И превратить его в copier шаблон с вопросами (не cookiecutter, т.к. хотели обновлять генерацию при изменении шаблона).

Cгенерировали из него каркасы для нескольких сервисов и стали подключать LLM к генерации конкретных слайсов (в папке features).

Используемые инструменты перечислены в конце статьи.

Почему такой layout

Для высокой эффективности разработки нужно (g = goal):

  1. Быстро найти, где менять код

    1. на основе лога

    2. со слов менеджера => ubiquitous language

  2. Чтобы изменения “здесь” не сломали что-то “там” => VSA (слайсы по бизнес-функциям, а не по техническому сходству)

Полезные принципы (p):

  1. Better clear than clever © Rob Pike

  2. Screaming architecture

Для себя сформулировал такое определение на основе вышесказанного:

Код - дословная проекция бизнес-процесса с явным вызовом бизнес-правил.

Как это привело меня к такому экспериментальному layout

(g1) + (g2) => VSA (она также соответствует (p2))

Автор VSA, Jimmy Bogard, в вертикальный слайс помещал, помимо бизнес-логики, инфраструктурный код (для взаимодействия с БД как минимум) и сериализацию.

Но часть кода не относится к конкретной бизнес-функции:

  • код для наблюдаемости

  • интерфейсы сервиса

  • конфигурация инфраструктуры

  • общие клиенты к инфраструктуре

  • outbox паттерн

  • миграции БД и т.д.

=> согласно (p1) лучше сделать их отдельными папками. (Взаимодействие с БД мы пока перенесли туда же).

=> вертикальные слайсы - это содержимое папки features (там остается бизнес-логика, нужные ей интерфейсы и сериализация).

Что размещать в один слайс, а что в разные - пока экспериментируем.

Что внутри слайса:

Программа реактивна: она либо реагирует на событие о наступлении времени (как cron job), либо на внешний сигнал (команда пользователя или сообщение от другой системы).

(g1) + (p1) + (p2) => внешние сигналы (и их обработчики) стоит явно выделить папками и назвать глаголами.

Архитектура слайса:

В простом случае - слоеная (layered). В сложном - гексагональная (hex). dishka позволяет получать зависимость как по интерфейсу (hex), так и по реализации (layered).

Согласно (p1) лучше начинать со слоеной.

Выводы и дальнейшее направление разработки

На создание стандартов и каркаса потребовалось 2 человеко-месяца. Сейчас каркас лежит в основе 6 сервисов, что уже сэкономило порядка 1 человеко-года разработки.

Приятным бонусом стало почти полное отсутствие багов в фичах (для сравнения: legacy сервисы отнимали около 50% времени на исправление багов, из которых 95% выявлялись на этапе тестирования).

Также оказалось, что код каркаса стал хорошим контекстом для LLM (in-context learning), повысив качество генерации (naming, паттерны и т.д.).

Следующий шаг - построение фабрики генерации ПО и изменение связанных процессов ради этого.

Кроме этого, мы продолжаем обогащать каркас востребованными фичами и стабилизировать implementation loop, в которой ИИ агент генерирует и чинит код.

На этом все, спасибо за внимание!

P.S. используемые в каркасе инструменты:

Инструмент

Функция

Архитектура и зависимости

dishka

Внедрение зависимостей (DI): скоупы, финализация, singleton в рамках скоупа. Удобно для unit тестов, решает проблему утечки файловых дескрипторов.

Линтеры

codespell

Линтер и форматтер опечаток.

deptry

Линтер импортов сторонних библиотек. Требует явного указания в pyproject.toml импортируемых в коде библиотек.

hadolint

Линтер для Dockerfile.

ruff

Линтер и форматтер кода. На Rust.

tach

Линтер импортов между модулями проекта. Аналог import-linter, но позволяет создать правила без перечисления всех модулей, например, path = "service.features.*" depends_on = [] запретит импорты между фичами на уровне подмодулей. На Rust.

ty

Type checker и language server для Python. На Rust.

wemake-python-styleguide (WPS)

Линтер “когнитивной нагрузки” и code smells . Единственный линтер из списка, который приводит к рефакторингу кода.

Управление проектом

copier ~ uv tool copier

Генератор кода на основе jinja шаблонов. Аналог cookiecutter, но умеет обновлять генерацию после изменения шаблона (полагается на git).

just (justfile) ~ uv tool rust-just

Аналог makefile, только удобнее. На Rust.

uv

Менеджер пакетов, версий питона и инструментов (uv tools). На Rust.

БД, сериализация и конвертация

adaptix

Конвертер инстансов разных классов. Автоматически маппит одноименные поля, остальное кастомизируемо.

advanced-alchemy

Компаньон для SQLAlchemy: готовые репозитории для CRUD-операций.

msgspec

Быстрая сериализация и валидация данных: JSON, MessagePack, YAML, TOML. Удобен тем, что одна библиотека для HTTP и очередей.

HTTP

httpx

HTTP-клиент: синхронный и асинхронный API, поддержка HTTP/1.1 и HTTP/2.

litestar

ASGI сервер с поддержкой msgspec.

gRPC

grpcio

Официальный Python-пакет для реализации gRPC.

grpcio-reflection

Аналог ручки с OpenAPI схемой у HTTP сервера. По ней grpcui может сгенерировать интерактивный web интерфейс.

grpcui

Интерактивный веб-интерфейс для gRPC-серверов (аналог OpenAPI UI).

Асинхронная коммуникация и очереди

faststream

Единый API для разных очередей: Kafka, RabbitMQ, NATS.

Тестирование

mutmut

Мутационное тестирование. Проверяет чувствительность тестов к мутациям кода. Тривиальный пример: 100% покрытие, везде assert True => чувствительность тестов к мутациям кода = 0.

schemathesis

Тестирование API по OpenAPI/GraphQL: генерирует запросы по спецификации и сверяет ответ сервера с ней. Целенаправленно проверяет граничные случаи.

testcontainers

Docker-контейнеры с БД, очередями и прочими сервисами, которыми можно управлять из кода. Удобны для интеграционных тестов и генерации миграций для БД.

Наблюдаемость

opentelemetry-python

Официальный Python API и SDK для OpenTelemetry — стандарта сбора телеметрии (трейсы, метрики, логи).

pyroscope

Сэмплирующий профайлер, который можно не выключать (делает снимки стэка вызовов несколько десятков раз в секунду и показывает, что долго длится).

structlog

JSON logs + pretty print (можно переключаться в зависимости от sys.stderr.isatty()).

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.