Вот подробная аналитическая статья, подготовленная на основе выпуска подкаста с экспертами в области ИТ-архитектуры.
🏗️ ИИ в проектировании систем: от «умных линтеров» к автономным агентам
Эра Shadow AI, когда разработчики втайне от руководства использовали нейросети для написания простых функций, подошла к концу. Сегодня индустрия стоит на пороге системной трансформации проектирования, где роль архитектора смещается от рисования диаграмм к созданию «агентских навыков» и управлению качеством через высокоуровневые метрики.
🛠️ Роль ИИ в современной архитектуре: что работает уже сейчас
На текущем этапе развития большие языковые модели (LLM) перестали быть просто «улучшенными чат-ботами» и превратились в рабочий инструмент архитектора. Эксперты выделяют несколько ключевых сценариев, где ИИ показывает реальную эффективность .
Ключевые сценарии использования:
- Контроль пул-реквестов (PR): В условиях, когда код начинают генерировать не только люди, но и ИИ-агенты, объем изменений растет экспоненциально. Архитектор физически не способен отсмотреть все правки вручную. ИИ берет на себя роль «умного линтера», проверяя код на соответствие архитектурным паттернам и ограничениям в режиме реального времени .
- Визуализация и документирование: LLM отлично справляются с генерацией кода для PlantUML, Mermaid или C4-моделей на основе текстовых описаний или каталогов компонентов .
- Критический анализ: Максим Смирнов отмечает, что ИИ эффективен в «прожарке» архитектуры. Если попросить модель не просто оценить решение, а найти в нем критические уязвимости или узкие места в производительности, она выдает глубокий фидбек, часто игнорируемый людьми из-за замыленного глаза .
- Проверка техрадара: Модели могут автоматически отслеживать использование запрещенных или не рекомендуемых в компании технологий (кольцо Hold в техрадаре) на этапе проектирования .
Руслан Сафин подчеркивает, что внедрение ИИ — это «вин-вин» ситуация: бизнес получает ускорение процессов, а архитектор избавляется от бюрократической рутины (оформление ADR, спецификаций), оставляя себе чистое проектирование и творческие задачи .
📊 От субъективности к цифрам: архитектурные метрики и техдолг
Одной из главных проблем архитектуры всегда была сложность объективной оценки. С приходом ИИ ситуация меняется: мы переходим к инструментальному контролю архитектурного долга .
Ранее проверка соответствия паттернам была субъективной («на глаз»). Теперь архитектуру можно анализировать как граф и покрывать юнит-тестами. Руслан Сафин приводит в пример использование инструментов типа Architecture as Code Tools (ArchUnit), которые в связке с ИИ позволяют :
- Автоматически проверять соблюдение принципов декомпозиции.
- Ранжировать десятки вариантов архитектурных решений, выбирая оптимальный по заданным числовым критериям.
- Устраивать «соревнования» между разными наборами инструкций (skills), выявляя те, что дают более качественный результат на выходе .
🧠 Agent Skills: как научить ИИ думать как архитектор
Главный тренд конца 2025 – начала 2026 года — переход от простых промптов к Agent Skills (агентским навыкам). Максим Смирнов объясняет: чтобы универсальная модель стала профессиональным архитектором, ей не нужно переобучение, ей нужен структурированный набор инструкций и контекста .
Почему контекст важнее промпта?
Современные исследования показывают: не так важно, как вы сформулируете вопрос (промпт-инжиниринг уходит в прошлое), важно, какие данные вы подадите на вход (контекст-инжиниринг) .
Процесс создания навыка сегодня:
- Создается текстовый файл (часто в формате Markdown или
.skill). - В него записываются правила, гайды, опросники и примеры эталонных решений.
- При необходимости подключаются микро-скрипты на Python для специфических проверок .
Максим предупреждает о риске использования навыков, сгенерированных самим ИИ: исследование Skill Bench показало, что «самонаписанные» инструкции могут ухудшать качество ответов, в то время как навыки, написанные человеком, улучшают выдачу на 16% и более .
📝 ADR как «внешняя память» для ИИ
Архитектурные решения (Architecture Decision Records, ADR) обретают новую ценность. В условиях высокой скорости изменений контекст проекта быстро вымывается. ИИ обладает огромным, но «семиминутным» окном памяти. Чтобы модель понимала, почему 7 лет назад команда отказалась от конкретной технологии, эта информация должна быть оцифрована .
Руслан Сафин призывает: «Даже если вы не используете ИИ сейчас — пишите ADR. Завтра это станет датасетом, на котором ваш ИИ-агент будет обучаться специфике вашего проекта» . Без этой базы знаний ИИ будет раз за разом предлагать решения, которые уже были признаны неэффективными («эффект золотой рыбки»).
🏗️ Spec-Driven Development (SDD): Хайп или реальность?
Концепция разработки на основе спецификаций (SDD) активно продвигается через инструменты вроде GitHub SpecKit или Amazon’s Kira. Идея в том, чтобы сначала генерировать подробную «конституцию» проекта, а затем по ней нарезать задачи для кодинг-агентов .
Текущие проблемы SDD:
- Избыточность: Для программы в 700 строк кода ИИ может сгенерировать спецификацию на 3000 строк .
- Нестабильность: Разные проходы по одной спеке могут давать радикально разный результат.
- Отсутствие валидации: Если человек не ревьюит промежуточные спеки, возникает «эффект снежного кома» — маленькая ошибка в логике спецификации приводит к полной неработоспособности итогового кода .
Тем не менее, для новых проектов (Greenfield) автоматизированный SDD уже позволяет собрать работающий MVP за считанные дни, как это показал эксперимент Руслана Сафина с автономной разработкой (4 дня на работающий прототип при минимальном вмешательстве) .
💰 Экономика будущего: TokenOps и новые роли
С массовым внедрением ИИ-агентов в процесс разработки появляется потребность в оптимизации затрат на их работу. Возникает дисциплина TokenOps (по аналогии с FinOps) . Инженеры теперь следят не только за производительностью кода, но и за тем, сколько токенов тратит агент. Если агент 10 раз спотыкается на одной ошибке и перезапускает тесты, задача архитектора — поправить входной контекст так, чтобы агент «поумнел» и решал задачу с первого раза, экономя бюджет компании .
🔮 Горизонт 2–3 года: Средовой подход
В долгосрочной перспективе эксперты прогнозируют переход от системного подхода к средовому .
- Абстрагирование от кода: Архитектору станет неважно, как именно реализовано взаимодействие — через микросервисы или монолит, и на каком языке написан код. Мы будем управлять системой через «высокоуровневые законы», подобно тому, как физики описывают волны на воде, не считая столкновения каждой молекулы .
- Эволюция языков: Современные языки программирования (C#, Java) создавались под человеческий мозг. ИИ они не нужны. Возможен ренессанс DSL (Domain Specific Languages) или появление языков, оптимизированных специально для генерации моделями .
- Бесконечные абстракции: Мозг человека подстраивается под новые скорости. Если раньше на проверку идеи уходил месяц, а теперь — день, мы просто начнем генерировать более масштабные и сложные идеи .
Главный совет экспертов: Не ждать, когда технологии «устаканятся». Нужно начинать «протаптывать нейронные тропинки» в своем мозгу уже сегодня. Тот, кто не начнет внедрять ИИ сейчас, через полгода окажется в ситуации безнадежного отставания, так как порог входа в технологии проектирования будущего растет каждую неделю .
