Разработчики компании Aha! поделились опытом интеграции генеративного ИИ в процесс написания кода. Главная проблема — потеря контроля над кодовой базой, когда LLM генерирует значительные объемы логики. Команда внедрила строгие практики ревью и тестирования, чтобы гарантировать, что каждый фрагмент ИИ-кода остается понятным, поддерживаемым и соответствует архитектурным стандартам проекта без накопления технического долга.
Основной акцент сделан на изменении роли инженера: теперь он выступает не столько автором, сколько архитектором и редактором. Разработчики используют ИИ для ускорения рутинных задач, но сохраняют за собой ответственность за глубокое понимание структуры. Это требует обязательного анализа сгенерированных решений, их интеграции в существующий контекст и написания детальных Unit-тестов, которые подтверждают корректность работы ИИ-ассистента.
Для минимизации рисков компания внедрила систему «человеческого фильтра». Любой код, созданный нейросетью, проходит через стандартный процесс Code Review, где коллеги оценивают не только работоспособность, но и читаемость. Такой подход позволяет избежать «черных ящиков» в кодовой базе и обеспечивает долгосрочную стабильность продукта, даже если значительная часть функций была написана с помощью LLM.
Ключевые факты
- Разработчики Aha! внедрили обязательное ревью для любого кода, созданного с помощью LLM, приравнивая его к обычному вкладу инженеров.
- Основным инструментом контроля качества стали Unit-тесты, которые верифицируют логику ИИ-ассистента перед слиянием в основную ветку.
- Переход к модели «инженер-редактор» позволил ускорить разработку, сохранив при этом прозрачность архитектуры и понимание кодовой базы всей командой.
- Практика показала, что отказ от слепого копирования ответов нейросети критически важен для предотвращения накопления скрытых ошибок и технического долга.