AI для разработки крупных проектов: почему AI-агентам не хватает контекста и как AI Council решает эту проблему

Сегодня искусственный интеллект становится полноценным инструментом разработки. Claude Code, OpenAI Codex, Gemini и другие модели помогают писать код, ускоряют рефакторинг, объясняют сложные участки системы и автоматизируют рутинные задачи. Для небольших проектов этого зачастую достаточно: разработчик формулирует задачу, получает решение и двигается дальше.

Но когда речь идет о корпоративной разработке, больших монолитах, микросервисных системах или продуктах с десятилетней историей, возможности обычных AI-инструментов начинают быстро упираться в ограничения. Практически каждая новая задача превращается для модели в знакомство с проектом с нуля.

Именно эту проблему решает AI Council – платформа, которая превращает знания о проекте в управляемую систему и помогает AI работать с крупными кодовыми базами так же эффективно, как опытный участник команды.

Почему современные AI-инструменты начинают ошибаться в больших проектах

На небольшом сервисе разработчик легко может передать модели весь необходимый контекст. Но чем больше становится проект, тем сложнее объяснить AI, как он устроен.

Архитектура распределяется между десятками сервисов. Документация хранится в Wiki, Confluence и PDF-файлах. История решений находится в Jira или других трекерах. Многие соглашения вообще существуют только в голове тимлида или опытных разработчиков.

В результате перед каждой новой задачей AI вынужден снова читать код, искать зависимости, восстанавливать архитектурные связи и пытаться понять, какие решения уже были приняты ранее.

Это приводит сразу к нескольким последствиям.

Во-первых, растут затраты на токены. Значительная часть запроса расходуется не на выполнение задачи, а на повторное изучение проекта.

Во-вторых, увеличивается вероятность ошибок. Не понимая полного контекста, AI может предложить решение, которое нарушает существующую архитектуру или противоречит внутренним правилам команды.

В-третьих, каждая новая AI-сессия фактически начинает работу с чистого листа. Даже если аналогичная задача уже решалась несколько дней назад, модель не использует этот опыт автоматически.

Почему документации уже недостаточно

Многие команды пытаются решить проблему с помощью файлов вроде ARCHITECTURE.md, CLAUDE.md или внутренних инструкций.

Такой подход действительно помогает, пока проект остается небольшим.

Но по мере роста системы возникают новые сложности.

Документацию необходимо постоянно обновлять вручную. Архитектура меняется быстрее, чем успевают редактироваться документы. Разработчики начинают по-разному трактовать правила, а AI получает противоречивую информацию.

Кроме того, даже самая подробная документация не объясняет, какие именно файлы, сервисы и классы относятся к текущей задаче. Модели все равно приходится самостоятельно искать нужные зависимости среди тысяч строк кода.

Поэтому в крупных проектах статичной документации становится недостаточно.

Что такое AI Council

AI Council – это платформа для AI-разработки, которая сохраняет знания о проекте, связывает их с исходным кодом и предоставляет AI-агентам только тот контекст, который действительно необходим для текущей задачи.

Вместо того чтобы каждый раз перечитывать весь проект, модель получает готовое понимание архитектуры, зависимостей, соглашений и ранее принятых решений.

При этом AI Council не заменяет существующие AI-модели. Наоборот, платформа работает вместе с Claude Code, OpenAI Codex, Google Gemini и другими LLM, дополняя их тем, чего им не хватает при работе с долгими проектами.

Knowledge Graph вместо длинных промтов

Основой AI Council является Knowledge Graph – граф знаний проекта.

Во время анализа система изучает исходный код и строит модель, в которой отображаются взаимосвязи между объектами.

В граф попадают:

• классы и функции;
• сервисы и модули;
• зависимости между компонентами;
• архитектурные слои;
• code smells;
• проектные конвенции;
• накопленные знания команды.

Благодаря этому AI начинает понимать не просто текст файлов, а структуру всей системы.

Если разработчик открывает задачу, связанную с определенным сервисом, AI Council уже знает, какие зависимости необходимо показать модели, какие архитектурные ограничения существуют и какие решения принимались ранее.

В результате AI получает именно тот контекст, который относится к задаче, а не случайный набор файлов.

RAG по коду и документации

Еще один важный компонент платформы – Retrieval-Augmented Generation (RAG).

Вместо передачи всей кодовой базы AI Council автоматически подбирает только те части проекта, которые действительно относятся к текущей работе.

Это могут быть:

• фрагменты исходного кода;
• архитектурные решения;
• документация;
• требования из системы управления задачами;
• записи базы знаний;
• внутренние соглашения команды.

Такой подход делает ответы AI значительно точнее.

Модель не тратит ресурсы на анализ тысяч нерелевантных строк, а сразу начинает работать с информацией, которая связана именно с текущей задачей.

Одновременно снижается расход токенов, поскольку в запрос попадает только необходимый контекст, а не вся кодовая база. По внутренним проектам использование такого подхода позволяло экономить до 40% токенов при сохранении качества работы AI.

Контекст становится общим знанием команды

Одна из главных проблем крупных проектов заключается в том, что знания постепенно концентрируются вокруг отдельных разработчиков.

Человек несколько месяцев работает с определенным модулем, начинает понимать его особенности и внутренние ограничения. Но эта информация редко становится доступной остальной команде.

AI Council меняет этот подход.

Все новые архитектурные решения, результаты анализа, найденные закономерности и выводы постепенно сохраняются в базе знаний проекта и связываются с конкретными элементами кода.

Когда через несколько месяцев к этому же модулю возвращается другой разработчик или AI-агент, ему уже не приходится начинать изучение системы заново.

Контекст становится частью проекта, а не опытом отдельных сотрудников. Именно это особенно важно для долгоживущих enterprise-систем, где стоимость потери знаний может быть очень высокой.

Workspace: AI работает внутри процесса разработки, а не рядом с ним

Во многих современных AI-инструментах взаимодействие выглядит одинаково. Разработчик открывает чат, копирует часть кода, формулирует задачу, получает ответ и самостоятельно переносит изменения в проект. После этого начинается проверка, коммит, создание Merge Request и тестирование.

Такой процесс работает для небольших задач, но становится неудобным в крупных проектах, где одновременно ведутся десятки веток и работают несколько разработчиков.

Поэтому в AI Council появился Workspace – полноценная среда разработки, в которой AI становится участником рабочего процесса.

Каждая задача запускается в отдельном изолированном git clone. Разработчик подключает GitHub или GitLab, выбирает нужную ветку, после чего AI начинает работать непосредственно с проектом, а не с отдельными фрагментами кода.

В одном интерфейсе можно создать задачу, общаться с AI-агентом, просматривать дерево файлов, анализировать diff, принимать или отклонять изменения, выполнять commit и push, открывать Merge Request и даже запускать dev server для проверки результата.

При этом каждый разработчик получает собственное рабочее окружение, поэтому несколько задач могут выполняться параллельно без конфликтов между локальными изменениями. Такой подход особенно удобен для больших команд, где одновременно ведется разработка сразу нескольких функций.

AI-агент и AI-ментор: два уровня контроля качества

Еще одна особенность AI Council – использование двух AI-ролей вместо одной.

Первый агент непосредственно решает задачу: анализирует код, предлагает изменения, пишет новую функциональность и взаимодействует с разработчиком.

Второй агент выполняет роль ментора или ревьюера.

Он не занимается написанием кода. Его задача – контролировать процесс работы первого агента.

Во время выполнения задачи AI-ментор анализирует план реализации, проверяет соблюдение архитектурных соглашений, следит за использованием проектных конвенций и оценивает итоговое решение еще до того, как изменения попадут в Merge Request.

Получается дополнительный уровень контроля качества, который работает постоянно, а не только на этапе финального code review.

При этом человек остается внутри процесса принятия решений. Если AI требуется подтверждение или возникают спорные моменты, разработчик получает запрос через интерфейс Workspace и самостоятельно принимает решение. Такой подход позволяет сохранить Human-in-the-Loop – принцип, при котором искусственный интеллект помогает человеку, но не принимает критически важные решения самостоятельно.

База знаний проекта постоянно развивается

Одна из главных особенностей AI Council заключается в том, что знания не заканчиваются после завершения задачи.

После внесения изменений платформа повторно анализирует проект, обновляет граф знаний и сохраняет новую информацию.

Источниками становятся не только исходный код.

В базу знаний также могут попадать:

• техническая документация;
• Wiki и Confluence;
• PDF-документы;
• требования из Jira, Yandex Tracker и других трекеров;
• архитектурные решения;
• changelog проекта;
• результаты предыдущих задач.

Все эти данные связываются между собой и с конкретными элементами кода.

Поэтому через несколько месяцев AI сможет использовать не только текущую архитектуру, но и знания, накопленные всей командой за время развития проекта.

Фактически база знаний становится живым отражением системы, которое обновляется вместе с кодом, а не существует отдельно от него.

Почему этого нельзя добиться только с помощью CLAUDE.md

Сегодня многие команды используют файлы вроде CLAUDE.md или ARCHITECTURE.md для передачи контекста AI.

Это хороший инструмент, особенно на небольших проектах.

Однако по мере роста системы возникают ограничения.

Во-первых, такие документы приходится поддерживать вручную.

Во-вторых, AI получает документ целиком, даже если большая его часть не относится к текущей задаче.

В-третьих, модель никак не проверяет соблюдение описанных правил.

AI Council использует другой подход.

Вместо статичного текстового файла платформа строит граф проекта, автоматически анализирует изменения, связывает знания с конкретными файлами и предоставляет AI только релевантный контекст.

Кроме того, проектные конвенции становятся не просто инструкцией, а частью процесса разработки. Они автоматически передаются AI через MCP и используются во время выполнения задачи, а не только при запуске новой сессии.

Где AI Council приносит максимальную пользу

Наибольший эффект платформа показывает в проектах, где разработка продолжается месяцами или годами.

Это могут быть:

• крупные корпоративные системы;
• legacy-приложения;
• микросервисные архитектуры;
• внутренние продукты компаний;
• заказная разработка;
• финтех;
• промышленное программное обеспечение;
• государственные информационные системы.

Во всех этих случаях стоимость потери контекста значительно выше, чем в небольших проектах.

AI Council позволяет сократить время на погружение в код, уменьшить зависимость от отдельных экспертов, ускорить onboarding новых разработчиков и сделать использование AI более предсказуемым.

По данным пилотных проектов, в отдельных случаях скорость выполнения задач увеличивалась до 2,5 раза, а для сложных legacy-систем время на реализацию новых функций сокращалось в несколько раз за счет того, что разработчикам и AI больше не приходилось заново восстанавливать устройство проекта.

В итоге

Использование искусственного интеллекта уже стало новой нормой в разработке программного обеспечения. Но по мере роста проектов становится очевидно, что одной мощной языковой модели недостаточно.

Для эффективной работы AI необходимы знания об архитектуре, понимание связей между компонентами, накопленный опыт команды и возможность использовать этот контекст при каждой новой задаче.

AI Council решает именно эту проблему. Платформа объединяет Knowledge Graph, RAG, базу знаний проекта, Workspace и систему контроля AI-агентов в единую инфраструктуру разработки.

Благодаря этому AI перестает быть отдельным помощником, который начинает работу с чистого листа, и становится полноценным участником команды, использующим общий опыт проекта.

Для компаний, развивающих крупные продукты и долгосрочные enterprise-системы, такой подход позволяет не только ускорить разработку, но и сделать работу с искусственным интеллектом более управляемой, безопасной и предсказуемой.

Оставить заявку Обсудить задачу