Принципы командной AI Native разработки
L@llm_under_hoodAI-инженер
1 месАвтор делится методологией организации работы смешанных команд из людей и AI-агентов, основанной на иерархическом контексте и BDD-тестировании.
Методология помогает структурировать работу с AI-агентами, чтобы они действовали автономно, но в рамках общей стратегии продукта.
- Использование «смыслового ядра» для синхронизации людей и AI.
- Применение BDD-спецификаций для автоматической проверки качества кода.
- Принцип прогрессивного раскрытия контекста для эффективного управления вниманием агентов.
Мои принципы командной AI Native разработки
Главная цель тут - самостоятельность агентов при сохранении общего замысла продукта.
(1) Люди и агенты могут координировать работу через общий язык и явно сформулированные концепции. Это можно использовать, если нужно держать AI Native команду из них в синхроне, распараллеливая работу между ними.
В начале нужно создать небольшое смысловое ядро. Это цель, язык, приоритеты и ограничения, из которых естественно следуют дальнейшие решения.
Это маленький файл, который пишется вручную (агент может помогать вычитывать). Он грузится в начало контекста агентов и проговаривается со всеми людьми в команде. На базе него принимаются решения и расписываются требования.
(2) Получается пирамида, где нижние слои детализируют верхние: смысловое ядро -> решения и требования -> исполняемые BDD спецификации -> код. Чем выше, тем важнее человеческое суждение и тем шире последствия ошибки. Чем ниже, тем больше работу можно распараллеливать и проверять автоматически.
Обратная связь из реального мира идёт вверх и помогает пересматривать исходные представления.
(3) Контекст раскрывается по мере необходимости (progressive disclosure для людей и агентов). Краткая точка входа ведёт к подробным документам. Знания сохраняются в репозитории и доступны между сессиями. Имена файлов имеют значение!
(4) Соответствие кода оформленным требованиям можно проверить запуском тестов! Продуктовые требования связаны с быстрыми поведенческими спеками (executable BDD specs), которые позволяют перепроверять корректность кода со скоростью 7k спеков в секунда.
(5) У агента есть инструменты, чтобы проверять результат и исправлять ошибки. Это исполняемые спеки, служебные интерфейсы для отладки. Плюс доступ к логам и продуктовой телеметрии для получения обратной связи от реального мира.
(6) Эта система из людей и агентов должна накапливать опыт. Скажем, ошибки улучшают спеки и документацию; пересмотр базовых принципов происходит осознанно (скажем, если повторяются разногласия или узнаем что-то новое). Общие соглашения и центр управления помогают переносить удачные решения между проектами.
Урок усвоен, когда он меняет будущие решения или проверки и уменьшает вероятность повторения ошибки. Это можно проверять перезапуском старой сломавшейся задачи после переконфигурации всей пирамиды.
А как вы помогаете своим агентам эффективнее работать в командах с людьми? Что работает хорошо, а что - не очень?
Ваш, @llm_under_hood 🤗
Кратко (AI)
Автор описывает подход к управлению командами, состоящими из людей и AI-агентов. Основная идея заключается в создании «смыслового ядра» и иерархической структуры требований, где автоматизированные BDD-спецификации обеспечивают проверку кода и обратную связь.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖