AI Bridge: как я автоматизировал часть разработки с помощью собственных AI-агентов Работая системным администратором, я давно привык автоматизировать всё, что можно автоматизировать. Со временем заметил, что в собственных проектах больше времени уходит не на архитектуру или сложные технические задачи, а на постоянное переключение между разными ролями. Сегодня проектируешь новую функцию, через час настраиваешь Docker, потом пишешь API, исправляешь баг во фронтенде, разбираешься с логами и готовишь тесты. Когда работаешь над проектом один, приходится одновременно быть разработчиком, DevOps-инженером, тестировщиком и техподдержкой. Я пробовал разные AI-инструменты для разработки, но быстро понял, что готовые решения не всегда подходят под реальные задачи. Часть из них хорошо справляется с отдельными сценариями, но плохо вписывается в долгую работу над собственным проектом, где архитектура и требования постоянно меняются. Так появился AI Bridge. Это не история про кнопку «сделать продукт». Архитектуру, инфраструктуру и все ключевые решения я по-прежнему принимаю сам. Цель проекта была другой — убрать как можно больше рутинной работы. В основе AI Bridge находится центральный оркестратор на Python и несколько специализированных агентов, работающих в Docker-контейнерах. Каждый агент отвечает за свою задачу: один работает с backend-частью, другой помогает с фронтендом, третий занимается тестами или документацией. Когда в систему поступает крупная задача, оркестратор разбивает её на небольшие этапы и распределяет между агентами. Такой подход оказался намного удобнее, чем попытка заставить одну модель делать всё сразу. Отдельной проблемой стала работа с контекстом проекта. Передавать в модель весь репозиторий дорого и бессмысленно. Поэтому я реализовал RAG-подход: код, документация и заметки индексируются и сохраняются в PostgreSQL с pgvector. Когда агент получает задачу, он видит только тот контекст, который действительно относится к ней. Это позволило сократить объём лишней информации и сделать ответы более точными. Конечно, не всё работало идеально. Бывали случаи, когда агент находил проблему там, где её не было, и пытался исправить то, что исправлять не требовалось. Иногда это приводило к новым ошибкам. Чтобы снизить количество подобных ситуаций, пришлось добавить строгие JSON-контракты между сервисами и реализовать механизм Circuit Breaker. Если один из агентов несколько раз подряд возвращает ошибку, задача останавливается и переходит под ручной контроль. Для мониторинга использую Grafana. Это позволяет видеть состояние системы, отслеживать ошибки и понимать, что происходит внутри платформы в любой момент времени.

Главная цель AI Bridge не в том, чтобы заменить разработчика. Для меня это инструмент, который помогает меньше времени тратить на шаблонный код, тесты и повторяющиеся технические задачи, а больше заниматься архитектурой и развитием проекта. Проект полностью открыт.

GitHub: https://github.com/Userbash/Hebrew-web

Интересно узнать опыт коллег. Используете ли вы AI в ежедневной разработке? Что действительно помогает экономить время, а что пока остаётся красивой демонстрацией возможностей?