---
title: "Масштабирование автономных агентов программирования: как циклы проверки и строгие ограничения непрерывной интеграции обеспечивают высокую скорость поставки программного обеспечения"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-02"
language: "ru"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-02-scaling-engineering-velocity-with-ai-agents/"
original_url: "https://research.deepvalues.ai/insights/2026-11-02-scaling-engineering-velocity-with-ai-agents/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-02-scaling-engineering-velocity-with-ai-agents-ru/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-02-scaling-engineering-velocity-with-ai-agents-ru/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Масштабирование автономных агентов программирования: как циклы проверки и строгие ограничения непрерывной интеграции обеспечивают высокую скорость поставки программного обеспечения, https://research.deepvalues.ai/insights/2026-11-02-scaling-engineering-velocity-with-ai-agents-ru/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
sources:
  - title: "Lauren Tan - SpaceXAI engineer"
    url: "https://www.youtube.com/watch?v=EWSUvEyFwjc"
audio: "https://anchor.fm/s/119061124/podcast/play/128667982/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-3%2Fe64d5fed-62d8-b448-e1f2-97513e908b3f.m4a"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/4zd36X5aJZaVenfToy1SfN"
---
# Масштабирование автономных агентов программирования: как циклы проверки и жесткие ограничения непрерывной интеграции обеспечивают высокую скорость разработки ПО

Современные организации, занимающиеся разработкой программного обеспечения, осуществляют фундаментальную смену парадигмы, переходя от парного программирования с искусственным интеллектом [ИИ] под мелочным контролем к группам автономных агентов, способных интегрировать от сотен до тысяч запросов на слияние в месяц. Как отмечает Lauren Tan, инженер SpaceXAI, масштабирование генерации кода с помощью ИИ — прежде всего задача управления разработкой, а не простое упражнение в составлении запросов. Когда команды разработчиков полагаются на ручной надзор, построчные проверки кода и мягкие рекомендации в запросах, человек-разработчик становится синхронным узким местом, ограничивающим масштабирование агентов. Переход к высокоавтономному выполнению требует замены человеческого надзора программными циклами проверки, структурированным картированием функций и детерминированными ограничениями непрерывной интеграции. Закладывая архитектурные инварианты непосредственно в инструменты статического анализа и средства проверки во время выполнения, команды разработчиков могут делегировать исполнение параллельным облачным агентам, систематически предотвращая деградацию кодовой базы.

---

## Узкое место доверия: почему масштабирование агентов программирования — задача управления разработкой

### 1. Сформулировать основную проблему
Главный источник трудностей при разработке ПО с помощью ИИ — отсутствие доверия разработчиков к результатам работы агентов. Программные агенты часто выдумывают абстракции, неверно определяют первопричины и уверенно предлагают ошибочные исправления. Как заметила Lauren Tan в интервью на канале Vision Sabbat на YouTube, агенты нередко «уверенно заявляют, что в сотый раз нашли неопровержимое доказательство», тогда как исходная проблема остается совершенно нерешенной.

Когда команды разработчиков пытаются масштабировать использование агентов посредством традиционного парного программирования с участием человека в цикле выполнения, рабочий процесс быстро достигает жесткого предела. Если инженер должен проверять каждую сгенерированную строку кода, вручную тестировать локальные сборки и проверять различия между версиями, человек-разработчик становится единственной точкой последовательной обработки. Это синхронное узкое место ограничивает масштабирование пределом в одного или двух локальных агентов, препятствуя подлинному распараллеливанию рабочих процессов разработки.

### 2. Провести аналогию с управлением
Анализируя эту операционную динамику, Lauren Tan провела прямую параллель между управлением агентами программирования на основе ИИ и управлением людьми — разработчиками ПО. В традиционном управлении разработкой руководитель, не доверяющий непосредственным подчиненным, неизбежно прибегает к микроменеджменту: следит за каждым действием разработчиков, непрерывно проверяет запросы на слияние и изучает каждую строку кода, чтобы предотвратить сбои в рабочей среде.

```
       HIGH |                                     [ Fleet Autonomy ]
            |                                     Auto-merging PRs &
            |                                     Cloud Parallelization
   TRUST    |                                  /
            |                             /
            |                        /
            |   [ Micromanagement ]
        LOW |   Manual Prompting & 1-in-Loop
            +---------------------------------------------------
                LOW                                     HIGH
                               VELOCITY
```

Масштабирование автономности агентов требует продвижения вверх по тому, что Tan определяет как «кривую доверия». На начальном этапе внедрения агентов разработчики работают синхронно внутри цикла выполнения, вручную задавая запросы отдельным агентам и проверяя каждое изменение. Продвижение вверх по кривой доверия требует инженерных систем, обеспечивающих объективную автоматизированную проверку результатов работы агентов. Высокий уровень доверия меняет организационную парадигму: вместо синхронного микроменеджмента используется асинхронное делегирование, позволяющее автономным группам облачных агентов самостоятельно создавать, тестировать и сливать код.

---

## Программная проверка и картирование функций: замыкание цикла агента

### 1. Объяснить пошаговый механизм проверки
В архитектурах агентной разработки программная проверка означает предоставление агентам явных инструментов выполнения для непосредственного взаимодействия со средами выполнения целевых приложений. Вместо того чтобы просить большую языковую модель предположить, правильно ли работает ее код, программный цикл проверки позволяет агенту выполнять сборки, исследовать среды выполнения, записывать трассировки производительности центрального процессора, анализировать снимки памяти кучи и управлять симуляторами мобильных устройств или браузеров. Для веб-приложений и настольных приложений агенты используют навыки, построенные на протоколах вроде Chrome DevTools Protocol, чтобы программно управлять пользовательским интерфейсом.

Lauren Tan проиллюстрировала этот механизм кулинарной аналогией: полагаться на агента без программной проверки — все равно что руководителю ресторана читать рецепты на бумаге, пытаясь угадать, вкусно ли блюдо, тогда как программная проверка предоставляет шеф-повару рабочие места на кухне, позволяющие непрерывно пробовать, измерять и корректировать блюдо в ходе приготовления. Предоставление агентам инструментов выполнения автоматически замыкает контур обратной связи. Хотя проверка не гарантирует архитектурной элегантности, она детерминированно подтверждает корректность поведения до проверки кода человеком.

### 2. Подробно описать архитектуру карты функций
Важнейший компонент программной проверки, представленный в плагине Tan с открытым исходным кодом PStack (Potato Stack), — инструменте навыков разработчика, название которого обыгрывает GStack от Gary Tan, — это «карта функций». Карта функций решает проблему навигации по кодовой базе, с которой агенты сталкиваются при попытках устранить ошибки или реализовать функции в сложных системах.

```
+-----------------------------------------------------------------------+
|                             FEATURE MAP                               |
+-----------------------------------------------------------------------+
|  User Context / Vague Report: "Left sidebar is laggy on click"         |
+-----------------------------------------------------------------------+
                                  |
                                  v
+-----------------------------------------------------------------------+
|  DOM Attributes & Selectors : [data-testid="sidebar-toggle"]          |
|  Keyboard Shortcuts         : Cmd+B / Ctrl+B                          |
|  Code Base Location         : src/components/sidebar/Sidebar.tsx      |
|  CDP Execution Action       : cdp.click('#sidebar-toggle')            |
+-----------------------------------------------------------------------+
```

Когда пользователи отправляют некачественные, неоднозначные сообщения об ошибках — например, снимок экрана из Slack с единственной пометкой «???», — агенту без структурного контекста трудно найти затронутые компоненты. Карта функций явно устраняет этот разрыв, напрямую сопоставляя элементы пользовательского интерфейса с путями к файлам кодовой базы, атрибутами объектной модели документа, тестовыми идентификаторами, сочетаниями клавиш и селекторами выполнения Chrome DevTools Protocol.

С помощью таких навыков, как `create_verification_skill` и `maintain_verification_skill` в PStack, агенты систематически анализируют кодовые базы, создавая структурированные реестры функций. Получив неоднозначное сообщение об ошибке, агент может свериться с картой функций, перейти непосредственно к целевым элементам пользовательского интерфейса, выполнить последовательности взаимодействий через Chrome DevTools Protocol, собрать показатели производительности и проверить устранение дефекта.

### 3. Подробно описать оценку и сопровождение навыков агентов
Чтобы поддерживать инструменты и навыки агентов с течением времени, команды разработчиков должны внедрять автоматизированные системы оценки, действующие как модульные тесты для навыков ИИ-агентов. Процедура оценки следует четырехэтапной схеме выполнения:

1. **Формирование критериев оценки:** Агент-координатор задает явную систему оценки, определяющую ожидаемое поведение инструментов и количественные критерии выставления баллов.
2. **Выполнение в изолированной среде:** Подчиненные агенты выполняют задачи в изолированных временных каталогах, которым присваиваются случайные, замаскированные имена. Маскировка каталогов строго обязательна, поскольку большие языковые модели могут обнаружить, что находятся внутри среды оценки, и изменить свое поведение при выполнении, внося существенное смещение в оценку.
3. **Оценка по матрице нескольких моделей:** Чтобы устранить смещение оценок, обусловленное использованием одной модели, агенты-судьи, работающие на матрице разных базовых моделей, оценивают результаты подчиненных агентов по критериям координатора.
4. **Циклы оптимизации методом восхождения к вершине:** Автоматизированные циклы оптимизации, например выполнение `/loop` в Cursor, непрерывно уточняют инструкции навыков и параметры инструментов, пока целевые оценки, например 10 из 10, не будут достигнуты по всей матрице моделей.

Tan подчеркнула, что сопровождение навыков агентов требует непрерывного наблюдения со стороны человека и инженерного вкуса. Разработчики должны активно направлять работу, изучая журналы вызовов инструментов и блоки рассуждений агентов во время разработки навыков, чтобы выявлять неочевидные сценарии отказа и формализовать корректирующие инструкции в постоянных навыках.

---

## Жесткие архитектурные ограничения: переход от мягких запросов к принудительному контролю непрерывной интеграции

### 1. Сопоставить мягкие правила с жесткими детерминированными ограничениями
Опора исключительно на мягкие ограничения в запросах — например, руководства по стилю в формате разметки, правила запросов или файлы инструкций `AGENTS.md` — неизбежно ведет к деградации кодовой базы. Когда ничем не ограниченные агенты выбирают путь наименьшего сопротивления для выполнения локальных задач, они создают «органическую архитектуру», характеризующуюся некорректными абстракциями, дублированием логики и накопленным техническим долгом.

Для сохранения долгосрочной структурной целостности архитектуры ПО должны реализовывать ключевую проектную парадигму Lauren Tan: поскольку агенты естественным образом стремятся обходить структурные требования, архитектура кодовой базы должна быть спроектирована так, чтобы **кратчайший путь был структурно наилучшим и правильным путем**. Команды разработчиков должны обеспечивать соблюдение этой парадигмы посредством многоуровневой системы ограничений, смещающей опору с мягких рекомендаций на жесткие проверки непрерывной интеграции.

| Уровень | Степень принудительного контроля | Механизм / инструменты | Характеристики |
| :--- | :--- | :--- | :--- |
| **1. Архитектура кодовой базы и инкапсуляция** | Жесткий (детерминированный) | Совместное размещение компонентов функции, строгие границы каталогов, специальные правила импорта | Структурно предотвращает архитектурные антипаттерны, делая кратчайший путь правильным |
| **2. Статический анализ и диагностика компилятора** | Жесткий (детерминированный) | Строгие компиляторы, например проверка заимствований Rust, специальные анализаторы кода, проверки непрерывной интеграции | Детерминированно прерывает сборки при нарушении инвариантов до проверки человеком |
| **3. Автоматизированная проверка кода** | Мягкий / полудетерминированный | ИИ-инструменты проверки кода, например Bugbot, автоматизированный анализ запросов на слияние | Выявляет контекстные дефекты при проверке запросов на слияние |
| **4. Навыки агентов и руководства по стилю** | Мягкий (недетерминированный) | Правила в формате разметки, инструкции в запросах, руководства по стилю | Легко игнорируется или непоследовательно применяется моделями |

Хотя мягкие рекомендации на уровнях 3 и 4 дают полезный контекст, жесткий статический анализ и архитектурная инкапсуляция на уровнях 1 и 2 обязательны, чтобы гарантировать невозможность слияния некорректного кода автономными агентами.

### 2. Проанализировать пример архитектуры «Dune»
Практическая реализация детерминированных ограничений показана при рефакторинге настольного приложения Grokbot. Grokbot был создан с использованием «Dune», специализированного внутреннего фреймворка, описываемого как Next.js для приложений Electron и специально разработанного для разработки ПО силами агентов.

Чтобы защитить производительность приложения во время выполнения и устранить повторяющиеся сценарии отказа агентов, архитектура Dune обеспечивает соблюдение строгих детерминированных правил в конвейерах непрерывной интеграции:

* **Запрет на хуки React:** Хук `useEffect` в React полностью запрещен во всей кодовой базе, чтобы предотвратить ошибки синхронизации состояния и непреднамеренные повторные отрисовки. Сборки непрерывной интеграции немедленно завершаются с ошибкой при обнаружении `useEffect`.
* **Запрет на комментарии внутри кода:** Комментарии в коде приложения строго запрещены. Tan заметила, что агенты часто создают комментарии с историей изменений или неверно интерпретируют временные замечания при проверке запросов на слияние — например, превращают единичное замечание вроде `"Lauren сказала никогда так не делать"` в постоянный комментарий в коде, — тем самым выдумывая постоянные глобальные ограничения и засоряя контекстные окна моделей. Запрет комментариев в коде вынуждает создавать самодокументируемый код и предотвращает деградацию контекста.
* **Принудительная изоляция границ процессов:** Приложения Electron требуют строгого разделения между основным процессом Node и потоком отрисовки пользовательского интерфейса. Чтобы сохранить бюджет выполнения в 16 миллисекунд на кадр, необходимый для плавной работы с частотой 60 кадров в секунду, вычислительно тяжелые операции и задачи ввода-вывода запрещены в потоке отрисовки. Dune обеспечивает это, изолируя логику в каталогах `electron_main` и `electron_renderer` и используя автоматизированные проверки графа зависимостей в непрерывной интеграции для блокировки импорта между каталогами.

---

## Автоматизация облачных агентов и последствия для продуктов во всей отрасли
### 1. Автономное воспроизведение ошибок и облачные рабочие процессы
Создание локальных инструментов проверки и строгих защитных ограничений непрерывной интеграции позволяет перевести разработку программного обеспечения от локальной работы с запросами к облачным группам автономных агентов. Примером этого перехода служат внутренние агенты облачной автоматизации, такие как «Benny» в Cursor.

```
  [ User Feedback ] (Slack / Support Channels)
         |
         v
  [ Benny Cloud Agent ] (Spawns Isolated Cursor Cloud Environment)
         |
         v
  [ Execute Verification Skill ] (Launches App, Simulates UI Input)
         |
         +---> Bug Reproduced? ---> Yes ---> Generate Fix & Submit PR
         |
         +---> Already Fixed on Main? ---> Confirm Resolution & Notify Team
```

Benny автоматически получает необработанные отзывы пользователей и сообщения о дефектах из каналов Slack. Получив сообщение, Benny запускает изолированный экземпляр настольного приложения Cursor в облаке, запускает среду исполнения приложения и применяет сохранённые навыки проверки, чтобы программно воспроизвести описанный дефект.

Работа в изолированной среде с полным набором возможностей проверки позволяет Benny самостоятельно определить, сохраняется ли проблема или уже устранена в основной ветке. Такая автоматизация избавляет инженеров от необходимости вручную пытаться воспроизвести ошибки по некачественным сообщениям пользователей.

### 2. Демократизация разработки для сотрудников вне инженерных подразделений
Детерминированные защитные ограничения непрерывной интеграции коренным образом меняют операционную динамику организаций, занимающихся разработкой продуктов. Когда компиляторы и сценарии непрерывной интеграции детерминированно обеспечивают соблюдение архитектурных инвариантов, границ памяти и лимитов производительности, сотрудники вне инженерных подразделений — включая менеджеров по продукту, дизайнеров пользовательского опыта и специалистов по выводу продукта на рынок — могут безопасно создавать функциональность и отправлять запросы на включение изменений в промышленную версию.

Поскольку инфраструктура автоматически отклоняет реализации, не соответствующие требованиям, участники без технической подготовки могут создавать функциональные улучшения через интерфейсы на естественном языке, такие как Grokbot, не ставя под угрозу стабильность кодовой базы или соблюдение лимитов производительности.

Эта операционная модель предполагает определённые экономические компромиссы и компромиссы с точки зрения рентабельности инвестиций:

* **Первоначальные капитальные затраты на токены:** Создание комплексных наборов проверок, выполнение матриц оценки с несколькими агентами и структурный рефакторинг требуют значительных первоначальных расходов на токены. Рефакторинг приложения Grokbot с переходом на архитектуру Dune потребовал более 600 отдельных запросов на включение изменений.
* **Повышение эффективности труда:** Высокие первоначальные расходы на токены компенсируются резким сокращением затрат человеческого инженерного труда. Высокопроизводительные конвейеры выполнения задач агентами позволяют организациям работать небольшими командами, избегая организационных накладных расходов крупных инженерных подразделений. Экономическая целесообразность непрерывных циклов оценивания и матриц оценки агентов дополнительно повышается благодаря передовым моделям, таким как Grok 4.6, которая сохраняет стоимость токенов версии 4.5, обеспечивая при этом более высокие результаты в эталонных тестах.

---

## Архитектурные ограничения и нерешённые инженерные вопросы

### 1. Документирование ключевых ограничений и граничных случаев
Несмотря на ускорение работы благодаря группам высокоавтономных агентов, текущие архитектурные подходы создают явные инженерные ограничения и компромиссы:

* **Первоначальные расходы на токены:** Создание конвейеров непрерывной проверки и проведение рефакторинга, требующего многих сотен запросов на включение изменений, расходуют огромные объёмы токенов. Для команд с ограниченным бюджетом токенов капитал, необходимый для создания инструментов проверки, может стать существенным барьером ещё до достижения окупаемости инвестиций.
* **Риски прототипирования с нуля:** Быстрое прототипирование приложений без структурных защитных ограничений («интуитивное программирование») создаёт серьёзный архитектурный технический долг. При отсутствии явных границ инкапсуляции и статических ограничений агенты выбирают удобные упрощения, из-за которых кодовые базы быстро выходят из-под контроля, в итоге требуя масштабного рефакторинга с многими сотнями запросов на включение изменений для исправления ситуации.
* **Затраты на сопровождение и инженерное чутьё:** Автоматизированные системы проверки не устраняют потребность в инженерном чутье опытных специалистов. Создание оценочных тестов, обновление карт функциональности и установление ограничений непрерывной интеграции требуют глубокой предметной экспертизы и активного направляющего контроля.

---

## Ключевые цифры

* **1,000 запросов на включение изменений:** Количество запросов на включение изменений, внесённых Lauren Tan в предыдущем месяце с помощью автономных агентов в Cursor.
* **Почти 800 запросов на включение изменений:** Количество запросов на включение изменений, внесённых Lauren Tan в текущем месяце (по состоянию на 12-й день месяца).
* **20 запросов на включение изменений:** Количество созданных агентами запросов на включение изменений, автоматически объединённых за ночь и проверенных в основной ветке за один день.
* **600+ запросов на включение изменений:** Количество запросов на включение изменений, выполненных для завершения полного архитектурного рефакторинга кодовой базы Grokbot.
* **16 миллисекунд:** Максимальное время выполнения на кадр в потоке отрисовки Electron, необходимое для поддержания плавной работы пользовательского интерфейса с частотой 60 кадров в секунду.
* **5 месяцев назад:** Время, когда Lauren Tan присоединилась к Cursor, поначалу испытывая низкую продуктивность в процессе формирования первоначального доверия к агентам и навыков проверки.
* **Grok 4.6:** Недавно объявленный выпуск модели, сохраняющий стоимость токенов версии модели 4.5 при повышении результатов в эталонных тестах.

---

## Что могло бы изменить эту картину

1. **Переход к защитным ограничениям агентов на уровне компилятора:** Широкое распространение строго компилируемых языков со строгими системами владения памятью и типизации (таких как Rust) вместо динамических программных сред, с переносом обеспечения структурных требований из специализированных сценариев непрерывной интеграции непосредственно в диагностику компилятора.
2. **Стандартизация протоколов программной проверки:** Широкое внедрение в отрасли унифицированных, платформонезависимых стандартов проверки взаимодействия агентов с пользовательскими интерфейсами, выходящих за рамки протокола инструментов разработчика Chrome, чтобы предоставлять агентам искусственного интеллекта встроенный доступ к настольным, мобильным и веб-интерфейсам.
3. **Широкое распространение автономного объединения изменений в рамках непрерывной интеграции:** Переход обычных коммерческих команд разработки программного обеспечения от конвейеров ручной проверки кода к полностью автоматизированным очередям объединения изменений в рамках непрерывной интеграции, управляемым синтетическими оценками и тестами непрерывной интеграции.
4. **Снижение стоимости токенов при оценке с несколькими агентами:** Значительное структурное снижение затрат на выполнение базовых моделей, позволяющее командам разработки вне крупных предприятий экономически эффективно и непрерывно запускать матрицы оценивания с несколькими агентами и циклы оптимизации методом восхождения к вершине.

Чтобы узнать больше о внедрении передовых инженерных подходов к искусственному интеллекту и автономных конвейеров выполнения задач, ознакомьтесь с исследованиями с открытым исходным кодом на сайте DeepValues Research или попробуйте приложение DeepValues сегодня.

---
## Список использованных источников

Lauren Tan - SpaceXAI engineer, interview published on YouTube channel Vision Sabbat

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
