Блог// искусственный интеллект

Как SberDevices построила систему ИИ-агентов для фронтенда: ревью кода, анализ логов и автоисправление

SberDevices создала собственную систему ИИ-агентов для фронтенда: ревью кода, анализ логов и автоисправление сборок на базе GigaChat-2-Max.

14-10-2026 · 8 мин чтения
Как SberDevices построила систему ИИ-агентов для фронтенда: ревью кода, анализ логов и автоисправление

В SberDevices не смогли использовать готовые решения вроде GitHub Copilot Code Review или GigaCode Agent — политика безопасности запрещает отдавать код наружу. Пришлось собирать свою систему на базе GigaChat-2-Max. За полгода она проверила более четырёх тысяч merge request в девяноста проектах, разобрала сотни упавших сборок и, неожиданно для самих авторов, самая востребованная функция оказалась не генерация кода, а автоматический вызов тестировщиков. Как пишет SberDevices, опыт показывает: генерация кода дешевеет быстрее, чем его проверка, поэтому ставку нужно делать на инструменты верификации и стабильности.

Зачем крупной компании свой велосипед

Внешние сервисы ревью требуют доступа к репозиторию. Для банка и производителя устройств это неприемлемо. Команда инфраструктуры фронтенда под руководством Авроры выбрала путь локального развёртывания: модель GigaChat-2-Max используется «из коробки» без дообучения, управление логикой остаётся в коде на TypeScript и NestJS. Это даёт контроль над данными и гибкость в настройке под внутренние стандарты.

Архитектура системы — гибрид. Есть детерминированные воркфлоу, где код жестко задаёт последовательность шагов, и есть агентные циклы, где модель получает цель и набор инструментов, решает сама, как действовать. Такой подход позволяет делегировать рутину ИИ, сохраняя предсказуемость критических процессов.

Как работает ИИ-ревью кода и что оно находит

Ревью запускается автоматически при создании merge request в GitLab или по команде разработчика. Бот получает вебхук, запрашивает дифф через API, отсекает служебные файлы — конфиги, лок-файлы — и классифицирует оставшиеся: нужен ли глубокий анализ или достаточно формального одобрения. Только файлы с изменённой логикой попадают к модели.

Промпт задаёт роль: фронтенд-разработчик, ищущий ошибки. Жёсткое условие — указывать точный диапазон строк, чтобы комментарий прикреплялся к месту проблемы. Ответ модели валидируется кодом, «всё чисто» (LGTM) отбрасываются, найденные замечания публикуются в MR. Параллельно бот пишет краткое резюме изменений в описание запроса — разработчику не нужно тратить время на описание того, что он сделал.

По данным SberDevices, за январь–июль выявлены потенциальные проблемы в 8% случаев — примерно один MR из тринадцати. Казалось бы, немного, но в команде уже принято сдавать на ревью код, проверенный локальными агентами. Если бот что-то нашёл, обычно это одно-два замечания.

Анализ комментариев за 2026 год показал: в 90% случаев бот сигнализирует о конкретной проблеме, а не даёт общих советов. Распределение по темам:

  • 16% — работа с null/undefined и обработка ошибок (лидер для фронтенда);
  • 14% — архитектура и чистота кода;
  • 12% — типизация TypeScript;
  • 11% — доступность и семантика;
  • 10% — реактивность и управление состоянием;
  • 8% — работа с API и данными;
  • 6% — стиль и форматирование;
  • оставшиеся 23% — производительность, UI, асинхронность, тесты, безопасность.

Тестирование проходило в изолированном репозитории-песочнице с примерами сервисов и тестовыми MR. Бот подключался вебхуком — после релиза обновлённая версия мгновенно становилась доступна всем. Отключить ревью можно на уровне репозитория, но почти никто не делает. Дополнительно бот умеет позывать человеческих ревьюеров в корпоративном мессенджере — не нужно копировать ссылки и просить коллег вручную.

Все комментарии ИИ — рекомендательные. Кворум для вливания — два аппрува от людей. Автор MR решает, согласен ли он с замечанием. Ошибки модели возможны, ответственность остаётся за человеком.

Анализ логов и автоисправление сборок

Вторая большая функция — разбор упавших джобов в CI. Разработчик кидает в чат ссылку на упавшую джобу. Бот проверяет, что она действительно упала, скачивает полный трейс и передаёт его самописному парсеру на TypeScript.

Парсер — ключ к экономии токенов и качеству ответа. Он вырезает управляющие последовательности GitLab и ANSI-коды, разбивает лог по приглашению шелла на блоки «команда — вывод», отбрасывает after_script и берёт последний блок — с высокой вероятностью именно последняя выполнявшаяся команда вызвала падение. На выходе — не более десяти тысяч символов. Если лог длиннее, сохраняются начало и конец: в начале обычно полезный контекст, в конце — ошибка, а посередине — установка зависимостей. Чувствительные данные — токены, адреса, переменные окружения — очищаются отдельно.

Модель получает лог последней команды плюс контекст сервиса: название, репозиторий, окружение. Промпт заставляет её отвечать структурированно: чья проблема — разработки, инфраструктуры или неясно; и конкретные рекомендации для каждой стороны. Результат уходит в тот же тред мессенджера. Разработчик может поставить лайк или дислайк — история с промптами и ответами хранится в PostgreSQL для анализа качества и сравнения версий.

Если проблема на стороне разработки и попадает в поддерживаемые сценарии — сборка приложения, Docker-сборка, конфиг nginx — в треде появляется кнопка «Try fix with AI». Запускает её автор треда. Далее работает классический агентный цикл: модель получает исходники сервиса и набор инструментов — чтение файлов, поиск, редактирование, запуск команд. Количество итераций не ограничено кодом, цель — «почини сборку». Когда агент считает задачу решённой, CI пересобирает проект. Успешная сборка создаёт отдельную ветку и MR в дефолтную ветку. Этот MR проходит то же ревью: ИИ-ревьюер плюс два человека.

По подсчётам команды, к агенту автоисправления обращаются от 10 до 30 раз в день — минимум 1800 вызовов на момент публикации. Главная проверка качества — проходит ли сборка после MR агента. Иногда агент не справляется, разработчик получает сообщение о неудаче и чинит руками.

Неочевидная польза: боты-напоминалки и вызов тестировщиков

Параллельно с «умными» агентами работают простые скрипты. Бот Chuck Norris раз в сутки пишет ревьюерам в личку о забытых MR, затем повторяет через несколько дней. Медиана — два пинга на MR, среднее завышено единичными рекордсменами со ста пингами. Автопинг включён по умолчанию, проект может отключить в конфиге. Состояние ревью — участники, голоса, кворум, время последнего пинга — хранится в MongoDB, основным хранилищем остаётся GitLab.

Задержка ревью — реальная проблема: сложнее восстановить контекст, разрешать конфликты с главной веткой. Напоминалка снижает количество потерянных MR.

Но главная находка, по признанию авторов, — автоматический призыв тестировщиков после обновления кода. Разработчик даёт команду, бот тэгает тестировщиков в треде релиза. Никаких сообщений, переговоров, поиска ответственных. Это самая неочевидная функция, а по востребованности — первая. Инфраструктура связанных агентов-сервисов передаёт друг другу структурированные данные: анализ логов становится входом для автоисправления, автоисправление создаёт MR, MR проходит ревью, после мержа бот вызывает тестировщиков. Человек лишь нажимает кнопки перехода между этапами.

АспектДо внедрения ИИ-агентовПосле внедрения ИИ-агентов
Ревью кодаРучное, времязатратноеАвтоматическое, быстрое
Анализ логовРучной поиск ошибокАвтоматическая диагностика
Исправление сборокРучное вмешательствоАвтоматическая коррекция

Что это значит для малого бизнеса в России и СНГ

У маленькой команды нет ресурсов на разработку своей платформы вроде SberDevices. Но архитектурные решения и приоритеты переносимы один в один.

Первое: не ждите идеального ИИ, который напишет всё за вас. Ставьте на проверку. Генерация кода уже дешевая и становится дешевле. Узкое горлышко — ревью, тесты, деплой, мониторинг. Вложения в эти зоны дают возврат быстрее.

Второе: начните с того, что есть в вашем Git-хостинге. GitLab и GitHub имеют встроенные механизмы код-ревью, CI/CD, вебхуки. Подключите доступный ИИ-ассистент — GigaChat, YandexGPT, локальные модели через Ollama — как отдельный сервис, который получает дифф или лог по API и возвращает комментарий. Не нужно дообучать модели — промпт-инжиниринг и детерминированная обёртка на Python или Node.js решают 80% задач.

Третье: сужайте контекст для модели. Не скармливайте весь репозиторий или полный лог сборки. Напишите простой парсер, который выделит изменённые функции или последнюю упавшую команду. Это дешевле по токенам, быстрее и точнее. Очищайте секреты перед отправкой — это базовая гигиена.

Четвёртое: автоматизируйте процесс, а не только код. Бот-напоминалка о ревью, автовызов тестировщиков после мержа, автоматическое создание тикета из ошибки CI — это скрипты на полчаса разработки, которые экономят часы менеджмента. Внедрите их раньше, чем агентное автоисправление.

Пятое: оставляйте человека в цикле принятия решений. ИИ-ревью — рекомендации. Автоисправление — черновик MR, который аппрувят два разработчика. Кнопку «починить» нажимает человек. Это снимает ответственность за галлюцинации модели и сохраняет контроль.

Шестое: измеряйте эффект. Собирайте статистику: сколько MR проверено, сколько замечаний принято, сколько сборок починил агент, сколько пингов ушло на напоминания. Без цифр вы не поймёте, работает инструмент или просто создаёт шум.

Начните с пилота на одном репозитории. Поднимите контейнер с ботом, подключите вебхук GitLab, пропишите промпт для ревью под ваш стек — TypeScript, React, Vue, Go, Python — неважно, модель понимает многие языки. Запустите парсер логов для самых частых падающих джоб. Добавьте напоминалку. Оцените за месяц. Масштабируйте то, что дало результат.

Вывод

Опыт SberDevices подтверждает: конкурентное преимущество уходит не в генерацию кода, а в надёжность конвейера, который этот код пропускает. Компании, которые раньше других построят дешёвую и быструю проверку — ревью, тесты, типы, воспроизводимые сборки, наблюдаемость — будут выпускать продукт чаще и с меньшим риском. ИИ-агенты здесь — не магия, а клей между этапами. Главное — начать клеить свои этапы уже сейчас, используя доступные модели и собственную инфраструктуру.

Часто задаваемые вопросы

Что такое система ИИ-агентов для фронтенда?

Это комплекс программных решений, использующих искусственный интеллект для автоматизации задач, связанных с разработкой и поддержкой фронтенд-части веб-приложений. Она включает ревью кода, анализ логов и автоисправление ошибок.

Какие преимущества даёт внедрение ИИ-агентов в разработку?

Внедрение ИИ-агентов сокращает время на ручное ревью кода и анализ логов, минимизирует количество ошибок и ускоряет процесс исправления сборок. Это приводит к повышению общей эффективности разработки.

На какой базе SberDevices построила свою систему?

SberDevices построила свою систему ИИ-агентов на базе языковой модели GigaChat-2-Max. Эта модель обеспечивает необходимые возможности для анализа и генерации кода, а также для принятия решений по исправлению ошибок.

По материалам: SberDevices — Может ли робот написать merge request? Агенты фронтенда с GigaChat и без

Автор разбора
Александр К.

Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.

Чем можем помочь
Интернет-магазиныМаркетингИИ-роботыСвязаться
← Все статьи