Сегодня я закончил 9-часовой эксперимент. Запустил автономный цикл разработки ПО (SDLC), которым управляла команда ИИ-агентов. Результаты оценивал по честной стоимости API-запросов к модели deepseek-v4-flash через OpenRouter на стандартных условиях. Никаких пакетных скидок или подписок.

Цель эксперимента проверить финансовую и структурную жизнеспособность масштабирования мультиагентных систем.

При этом единственное входное требование ко мне как к пользователю — это просто поставлять поток идей. Все остальные этапы полностью автономны.

Команда агентов выполняла реальные задачи в рамках SDLC. Она подхватывала сырые мысли, самостоятельно разбивала их на фичи, проводила архитектурный и системный анализ. Агенты занимались полноценной разработкой dsh-плагинов и доработкой скриптов для управления этим конвейером, проводили верификацию кода, релиз и выводили результат на менеджерскую приёмку.

До этого я использовал одиночные сессии. Еще немного пробовал запускать субагентов. Но они в связке за какие-то 30-45 минут полностью съедали мой дневной лимит. Настоящая командная архитектура родилась в результате жесткой отладки процессов.

Предыдущий день ушёл на отладку системы, было истрачено более 1 млрд токенов. Я превысил свой обычный лимит — очень уж хотелось получить результат. Первые 5 часов я настраивал, чтобы агенты вменяемо работали и распределяли ответственность.

В итоге высокая эффективность была достигнута не за счёт создания сложного вектора или многослойного RAG. Только плагин микро-компакции на базе техники VCC. Лимит на контекст в 256K со сжатием на 90%. Работу команды организовал по методологии V-Model. В неё вошли лид и 7 функциональных агентов со сменными ролями под текущие задачи. Эффективность выросла за счёт чистой организации потоков и строгого соблюдения принципа единственной ответственности.

Метрики 9-часового эксперимента (результаты как у моноагентной системы!): • Масштаб работы: около 30 идей, 50 фич, 300 декомпозированных задач • Общий объем данных: 612M токенов • Доля попадания в кэш: 91.4% • Количество запросов: 6K • Итоговые затраты на API: $4.96 • Средняя стоимость: $0.01 за 1M токенов

Эксперимент наглядно доказал, что фундаментальные практики менеджмента отлично работают и для искусственного интеллекта. Если у кого-то методологии не работают — значит они просто не до конца понимают их принципы.

Когда агенты непрерывно передают друг другу сложные деревья контекста, главным узким местом становится скорость проедания бюджета. Правильное применение бережливого производства и теории ограничений превратило потенциально дорогой цикл в высокооптимизированную фабрику кода.

Грамотный менеджмент — лучший фундамент для агентной инженерии, где человеку остается самое главное — созидать и генерировать смыслы.

#разработкапо #ииагенты #управлениепотоками #теорияограничений #бережливоепроизводство #softwareengineering #aiagents #sdlc #operations #techleadership