Автономный SDLC на AI-агентах: очередь задач, границы решений и контроль результата
Подключение нескольких AI-агентов к проекту ещё не делает разработку автономной. Можно разделить исполнителей по ролям, настроить специализированные промпты и автоматизировать написание кода, но при этом сохранить главную проблему: человек по-прежнему назначает каждую следующую задачу, контролирует переходы между этапами, проверяет результаты и решает, что делать дальше. Здесь возникает более интересный вопрос: можно ли делегировать AI-агентам не только исполнение, но и ответственность за управление производственным процессом — без потери контроля над качеством, ресурсами и критическими решениями? Один из вариантов решения — архитектура, в которой управляющий агент самостоятельно работает с бэклогом, учитывает зависимости и ограничения, назначает исполнителей, организует ревью и выбирает следующую задачу. Человек определяет стратегические цели и границы полномочий, а вмешивается преимущественно на контрольных точках и при возникновении исключений. Такой подход применяется при разработке Ghosts on the Side Job — кооперативной 2.5D игры на Unity. Производство включает программирование, создание графических материалов, сборку игровых локаций и тестирование. Координация этих направлений организована через специализированных AI-агентов и файловую систему управления задачами. При этом автономность ограничена вполне конкретными механизмами: контрактами задач, разделением полномочий, программными проверками и очередью решений, требующих участия человека. Состояние проекта сохраняется вне контекста модели, что позволяет продолжать работу после перезапуска сессии и создаёт основу для переноса процессов между моделями. Но самое интересное начинается там, где результат не соответствует ожиданиям. В статье разобран реальный производственный кейс: при создании игровой локации пришлось изменить не только способ реализации, но и сам порядок согласования работ. Вместо дальнейших доработок всей сцены был введён отдельный этап проверки методики на одной игровой камере. В материале — архитектура взаимодействия агентов, реальные конфигурации и контракты задач, границы автономных решений, пример изменения производственного процесса и ограничения подхода. Отдельно рассматривается цена такой организации: дополнительные токены, повторная загрузка контекста, стоимость ревью и необходимость измерять эффективность, а не предполагать её. Главный вопрос — не сколько задач способны выполнить AI-агенты, а как организовать процесс, в котором они самостоятельно принимают допустимые решения, а человек сохраняет контроль над результатом, не управляя каждым шагом. Читать далее