ИИ-агент в работе аналитика: как требования превращаются в проверяемый документ
Команда «Программного Продукта» описала собственный процесс работы с ИИ-агентами при подготовке технических требований. Главный вывод практического кейса — полезен не автоматический выпуск документа, а управляемая цепочка от исходных материалов до проверки человеком.
Главное
В описанном процессе сведения со встреч, бизнес-функциональные требования и заметки сначала приводят к Markdown. Только после этого агент получает подготовленные файлы и составляет черновик частного технического задания. Аналитик проверяет структуру, уточняет спорные места и передаёт согласованный результат в Confluence или в разработку. Такой порядок важен: нейросеть работает не с разрозненными фразами, а с ограниченным набором документов, происхождение которых известно команде.
Авторы используют встроенный чат GitHub Copilot в VS Code, потому что рядом доступны репозиторий проекта, файлы требований и отдельная рабочая папка для промежуточных результатов. Часть моделей развёрнута локально, другие доступны через корпоративные подключения. Для локальных решений допускается более подробный контекст, включая код, а внешним сервисам передают лишь разрешённые материалы. Единый набор версионируемых инструкций, или скилов, помогает сохранять одинаковую структуру документов между сотрудниками.
Подробности
В типичном разборе агенту дают от двух до четырёх Markdown-файлов, а при исследовании существующей логики ограничивают просмотр конкретными методами или несколькими связанными сервисами. По наблюдению авторов, попытка загрузить всю документацию и исходники сразу ухудшала точность: модель теряла нужные связи и додумывала детали. Поэтому контекст подбирают под вопрос, а для сложной архитектуры сначала готовят краткие описания механизмов вместо безусловного доступа ко всей кодовой базе.
Один из практических примеров — выяснение логики расчёта комиссии, распределённой между несколькими сервисами. Авторы сообщают, что агент подготовил описание цепочки примерно за двадцать минут, после чего ключевые места проверили вручную. При создании черновиков технического задания экономия также связана прежде всего со сборкой первого варианта, а не с отменой редакторской работы. Эти результаты относятся к внутреннему процессу конкретной команды и не являются независимым тестом всех ИИ-инструментов.
Что это меняет
Особое внимание уделено разночтениям между протоколами встреч и исходными требованиями. Если агент молча выбирает одну из противоречивых формулировок, в документ может попасть несуществующее обязательство; похожая проблема возникает с терминами, которые в соседних системах означают разное. Команда сохраняет вопросы без ответа, использует глоссарии и требует человеческого ревью перед передачей документа заказчику. Практический вывод — автоматизировать черновик и поиск связей, но оставлять решение об окончательном смысле требований ответственному аналитику.
Первоисточник
Материал подготовлен STRUCTURE по открытой публикации Habr. Текст и иллюстрации первоисточника не воспроизводятся целиком.