Когда работаешь над своим проектом один, быстро понимаешь, что писать код — это далеко не самая большая проблема. Сегодня ты проектируешь архитектуру, через час настраиваешь Docker, потом пишешь тесты, правишь фронтенд и разбираешься с очередной ошибкой в логах. Постоянное переключение между задачами съедает гораздо больше времени, чем сама разработка. В какой-то момент мне надоело быть одновременно разработчиком, DevOps-инженером, тестировщиком и техподдержкой. Поэтому я начал собирать для себя инструмент, который забирает рутину. Так появился AI Bridge. Это не история про «нажал кнопку — получил готовый продукт». Архитектуру, инфраструктуру, логику работы, RAG, PostgreSQL + pgvector, мониторинг и оркестратор я писал сам. ИИ занимается только тем, что обычно отнимает больше всего времени: бойлерплейт, типовые CRUD-операции, тесты и первичную проверку кода. Система работает через оркестратор и набор специализированных агентов в Docker-контейнерах. Каждый занимается своей задачей, а контекст подтягивается через RAG из кода, документации и базы знаний проекта. Благодаря этому агент получает не весь репозиторий целиком, а только то, что действительно относится к текущей задаче. За последние 3 дня система обработала 399 задач. Что получилось по цифрам: • Success Rate — 86.2% • Медианная задержка — 62 мс • Время выполнения задач сократилось с 41 секунды до 2.5 секунды • Средний расход токенов снизился с 915 до 77 на задачу Больше всего времени сэкономилось на том, что раньше хотелось откладывать на потом: генерация шаблонного кода, тесты, настройка проекта и мелкие технические задачи. Не всё прошло гладко. Были случаи, когда агент находил несуществующую проблему, пытался её исправить и создавал новые. Поэтому пришлось добавить строгие JSON-контракты между сервисами и предохранитель, который останавливает задачу после нескольких неудачных попыток. Сейчас AI Bridge не заменяет разработчика. Зато позволяет меньше заниматься рутиной и больше времени тратить на архитектуру, инфраструктуру и бизнес-логику. Проект открыт, код лежит на GitHub. Интересно узнать мнение коллег: кто уже использует локальные LLM или собственных агентов в работе? Что реально прижилось, а что оказалось красивой идеей только на бумаге?

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

#AI #LLM #AIAgents #Python #BackendDevelopment #SoftwareArchitecture #DevOps #Docker #PostgreSQL #RAG #Automation #OpenSource #PetProject #SystemDesign #SoftwareEngineering