Как мы в ZeBrains перешли на агентную разработку и что из этого вышло

Значимый прорыв формирует отрасль ИИ: ZeBrains_team 4 минуты назад Как мы в ZeBrains перешли на агентную разработку и что из этого вышло Простой 7 мин 151 Искусственный интеллект Управление разработкой * Программирование * Качество кода * Мнение Всем привет, на связи команда ZeBrains. Этот текст про то, как мы перестали просто использовать ИИ и начали с ним работать по-настоящему. Про настоящие проекты, настоящие шишки и один файл, который изменил всё.

Спойлер: один разработчик теперь закрывает полный цикл от ТЗ до прода. Без дизайнера, без аналитика, без DevOps. Но путь к этому был не таким прямым, как кажется.

Технические детали

Сначала — честно о том, где мы былиМы не были первопроходцами. Долгое время ИИ в ZeBrains использовался ровно так, как его используют большинство команд: как умный автокомплит. Написал строчку и Copilot подсказал следующую.

Спросил у ChatGPT, как называется тот метод у массивов и получил ответ. Полезно, но не революционно. Потом кто-то в команде попробовал Cursor, потом другой Windsurf.

Каждый использовал как умел, каждый со своими промптами и своим пониманием. Примерно в начале 2025 года пришло осознание: мы не используем ИИ мы с ним балуемся. И тогда же появился первый проект, который поставил вопрос ребром.

Отраслевые последствия

Исходная точка: к нам пришёл проект с условиемКлиент поставил жёсткий порог: делаем только средствами ИИ, срок месяц, в команде один разработчик. Без дизайнера, без аналитика, без DevOps. На тот момент наш коллега уже достаточно поигрался с Cursor, знал, что он умеет писать код.

Но построить полноценную систему с нуля было новым вызовом. Кейс 1: фармацевтика — система сверки медицинских материаловЗадача: автоматически сверять промоматериалы фармацевтического клиента с содержимым сайтов. Проверять, не перевирают ли факты, корректно ли написан текст.

На входе расплывчатое ТЗ в одном docx. На выходе микросервисная система из пяти сервисов с асинхронной очередью. Архитектура:Site Parser — обходит сайты, собирает контентOCR/VLM Extractor — распознаёт текст из PDF (сначала был OCR, потом заменили на VLM)Text Comparer — сравнивает материалы через LLMBackend на Keystone — API, задачи, результатыFrontend на Vue 3 — интерфейс оператораКак это строилось:Взял ТЗ, сконвертировал в маркдаунВместе с ИИ обсудили реализацию, выбрали оптимальнуюСформулировали список уточняющих вопросов заказчикуПолучили ответы → создали два документа: архитектурную документацию для ИИ и уточнённое ТЗ для заказчикаНарезал задачи с помощью ИИ в отдельные .

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.