AI Native
AI Native – это не «иногда спрашиваем ChatGPT», а инженерный процесс, изначально построенный вокруг AI-агентов. Мы работаем по spec-driven development: спецификация – источник правды, agentic workflows закрывают реализацию, а инженеры отвечают за архитектуру, качество и решения, которые нельзя делегировать.
- Spec
- Agentic build
- CI и evals
- Code review
- Release и observability
инсайты из продакшена возвращаются в spec и контекст проекта
- 1
Spec-driven development
Спецификация с acceptance criteria, ограничениями и non-goals появляется до кода и остаётся источником правды. Меняются требования – сначала обновляется spec, затем реализация.
- 2
Human-in-the-loop
Агенты ускоряют реализацию, но архитектура, безопасность и merge в main остаются за инженером. Каждое изменение проходит code review человеком, который за него отвечает.
- 3
Verification over trust
Типы, линтеры, тесты и сборка в CI для любого изменения, кто бы его ни написал. Для AI-фич – evals на реальных данных: качество измеряется, а не предполагается.
- 4
Context engineering
Требования, архитектурные решения (ADR), дизайн-система и postmortems лежат рядом с кодом в машиночитаемом виде. Через MCP агенты работают с реальными системами в scoped-доступе, а не с фрагментами, скопированными в чат.
- 5
Design-to-code
Прототипы собираются на дизайн-системе проекта в Claude Design и Figma, поэтому согласованный экран переходит в код без перерисовки.
- 6
Data governance
Данные заказчика не уходят во внешние модели без согласования. Где нужно – обезличиваем данные или используем локальные модели.
В чём разница
Copilot дописывает строки за разработчиком
Agentic workflows закрывают задачи целиком по spec, инженер ревьюит результат
Требования живут в чатах и в головах
Spec и контекст проекта версионируются вместе с кодом
Тесты и документация – если останется время
Тесты, документация и changelog появляются вместе с кодом и проверяются в CI
Качество зависит от внимательности конкретного человека
Качество держит pipeline: CI, evals и обязательный review
Стек подхода
- Claude Code
- Агентная разработка прямо в репозитории: реализация, рефакторинг, тесты, миграции
- Claude Design
- Прототипы и визуальные концепции на дизайн-системе проекта
- MCP (Model Context Protocol)
- Scoped-доступ агентов к трекерам, документации и нашим системам – например, MCP-сервер Академии МИФИ
- Skills и project memory
- Повторяемые процедуры и накопленный контекст: агенты работают по правилам команды
- Evals
- Наборы проверочных кейсов для AI-фич: качество меряется до релиза и после каждого изменения
- Local LLM
- Для данных, которые не должны покидать контур заказчика
Что это даёт вам
- Кликабельный прототип на ранней стадии: решения принимаются по экрану, а не по описанию
- Время инженеров уходит на архитектуру и качество, а не на рутину
- Тесты и документация идут в комплекте, а не отдельной строкой в смете
- Менять требования дешевле: правится spec, а не переписывается полпроекта
- Проект не завязан на одного человека: контекст записан и версионирован
- AI-фичи в вашем продукте измеряются evals и остаются под контролем