17 агентов, один SDLC: как Levi Strauss переосмыслила разработку на GitHub
Как Levi Strauss сократила цикл разработки приложения с девяти месяцев до двух с половиной: 17 AI-агентов, GitHub Copilot и новый подход к SDLC.
Экономист Пол Дэвид показал, что при появлении электричества на фабриках производительность долгое время не росла. Рабочие процессы оставались прежними, а паровые двигатели просто заменяли электрическими. Значительный рост производительности начался только через десятилетия, когда процессы были перестроены под возможности электричества. По мнению докладчика, сейчас с агентами происходит то же самое: старая фабрика получила новый двигатель.
Levi Strauss & Co. применила этот подход к разработке собственного приложения. Компания перестроила жизненный цикл разработки программного обеспечения (SDLC) на GitHub с помощью 17 специализированных агентов.
Приложение Back Pocket
Back Pocket — приложение для стилистов магазинов. Сотрудники используют его на торговом зале, чтобы обслуживать покупателей. Приложение поддерживает функции, например Endless Aisle.
Прежняя версия приложения создавалась девять месяцев. Новая версия, запущенная в Юго-Восточной Азии, была создана за два с половиной месяца. Это сокращение сроков на 72%.
Цель изменений заключалась не в перестройке SDLC ради него самого. Компания хотела, чтобы стилисты получали лучший инструмент, а покупатели — лучший сервис, за месяцы, а не за годы.
Цели и приоритеты
Работа началась с определения успеха. От него команда двигалась к конкретным результатам:
- Скорость получения ценности. Команда выявила неэффективность процесса. Несмотря на высокую вовлеченность и напряженную работу сотрудников, процесс оставался медленным.
- Качество. Команда рассчитывала улучшить качество за счет автоматизированного тестирования. Разработка на основе спецификаций (spec-driven development) должна была снизить неоднозначность требований, перенося обсуждение на более ранние этапы. Ожидалось меньшее влияние на продуктив и сокращение доработок.
- Стандарты, встроенные в процесс. В компании уже определены стандарты наблюдаемости, доступности, безопасности и других ключевых областей. Однако их соблюдение зависело от того, помнит ли инженер о них. Цель заключалась в том, чтобы правильный путь стал простым путем.
Работа описана в трех частях: перестройка процесса, платформа и объединение того и другого.
Часть 1. Перестройка процесса
Воркшоп
Команда провела трехдневный воркшоп в одном помещении. Участвовали ключевые члены команд продукта, разработки, developer velocity и quality engineering. Работали преимущественно на бумаге, ноутбуки почти не использовались.
- День 1. Анализ текущего состояния процесса.
- День 2. Видение будущего состояния и целевых результатов.
- День 3. Определение необходимых условий для перехода от текущего состояния к целевому.
Текущее состояние процесса
Процесс состоял из четырех этапов: планирование (plan), разработка (build), проверка (verify) и выпуск (release). Он включал 12 передач работы между шестью ролями. Цикл занимал месяцы.
Выделялись два основных узких места:
- Написание пользовательской истории. Этот этап занимал от 2 до 4 недель, а иногда месяцы. Срок зависел от зависимостей и согласования между подразделениями компании.
- QE и регрессионное тестирование. Этап занимал около трех недель и всегда выполнялся в конце процесса. Он вносил трение и доработки.
Большая часть процесса была связана с ожиданием. Поэтому вопрос изменился: команда стала спрашивать не то, как ускорить работу людей, а то, как сократить ожидание. Агенты, по мнению команды, могли устранить ожидание.
Модель распределения ролей
Команда принцип: агенты начинают выполнение, а решения принимают люди. Шаги текущего процесса были переведены в результаты. Например, шаг «написать требования» соответствует результату «требования ясны, межфункциональны и согласованы».
Модель распределяет работу по трем колонкам:
| Колонка | Что делает | Примеры |
|---|---|---|
| AI does (агент делает) | Задачи, где агенты сильнее всего | Синтезирует, создает черновики, реализует, отслеживает |
| Human does (человек делает) | Задачи, требующие критического мышления и суждения | Добавляет контекст, оценивает, управляет заинтересованными сторонами |
| Human decides (человек решает) | Решения с ответственностью | Утверждает, отклоняет, эскалирует |
Разделение «human decides» и «human does» стало одним из важнейших решений. Оно сохраняло ответственность за человеком. Человек всегда остается за рулем.
Пример: агент требований
Требования должны быть ясными, согласованными и межфункциональными.
- Агент делает: пишет проверяемые требования и фиксирует зависимости.
- Человек делает: приносит идеи и проверяет написанное агентом.
- Человек решает: определяет приоритеты и утверждает требования.
На основе этого распределения создан агент требований (requirements agent).
Пять элементов агента
Перед созданием агента необходимо определить пять элементов:
- Триггер. Для агента требований это поступление запроса на функцию.
- Вход. Запрос или тикет.
- Действие. Написание проверяемых требований. При неоднозначности агент задает вопросы.
- Выход. Четкие проверяемые требования, по которым может работать вся команда.
- Передача. Человек объединяет (merge) PR с утвержденной спецификацией.
Часть 2. Платформа
Архитектура
Архитектура построена вокруг инструментов, которые инженеры уже использовали: GitHub, Copilot CLI и VS Code.
- Оркестрирующий агент распределяет работу между агентами команды.
- 17 специализированных агентов выполняют задачи. Среди них:
- агент требований, который создает спецификации из тикетов;
- агент наблюдаемости (observability), который инструментирует код и проводит расследования;
- агент тестирования, который пишет и запускает тесты;
- 14 агентов, отвечающих за безопасность, доступность и другие области.
- Инструменты. Агент требований использует Jira как систему учета работы. Агент наблюдаемости использует New Relic для телеметрии и оповещений. Агент тестирования использует Playwright для управления браузером. Также применяются GitHub, Context7 и Figma.
- Copilot cloud agent служит движком для всех агентов. Специализированные агенты представляют собой промпты, которые работают на Copilot cloud agent.
- Skills обеспечивают повторное использование стандартов и лучших практик.
При замене внешней системы меняется только подключение. Агент остается тем же.
Агент как markdown-файл
Агент представляет собой markdown-файл. Он содержит короткий заголовок с описанием агента и инструкции в виде простого текста. Простой текст позволяет любому участнику команды прочитать инструкции, понять их и предложить улучшения.
Файл описывает, что делает агент, что он может делать и чего не может.
- Все агенты хранятся в папке agents в репозитории GitHub. На уровне организации они автоматически доступны во всех репозиториях без дополнительной настройки.
- Изменения агентов проходят через pull request так же, как изменения данных и кода. Каждое изменение проверяется, версионируется и аудируется.
- Один и тот же профиль работает на github.com, в Copilot CLI, CLI и VS Code.
- MCP-серверы объявляются в профиле. Для агента требований доступны Jira и Confluence.
Цепочка агентов
Агенты работают эффективнее в составе цепочки. На схеме агенты выделены фиолетовым, люди — белым, сигналы — оранжевым.
Последовательность выглядит так:
- Агент требований создает спецификацию и тесты. Команда использует EARS (Easy Approach to Requirements Syntax), простой подход к синтаксису требований, который упрощает написание тестов.
- Человек утверждает PR со спецификацией. После слияния Copilot cloud agent запускает сборку и открывает PR.
- Специалисты подключаются при необходимости. Команда не запускает все 17 специалистов при каждом изменении.
- Quality gates выполняются всегда и в фиксированном порядке: Tests, Accessibility, Performance, Code review, Security. Безопасность запускается последней, поэтому видит все изменения, внесенные другими агентами.
- Агент наблюдаемости инструментирует код и проверяет полноту телеметрии в New Relic.
- Агент развертывания, который является опциональным, рекомендует инженеру способ развертывания.
- Человек проверяет и объединяет PR перед выпуском в production. Телеметрия New Relic поддерживает непрерывный цикл улучшений.
Человек участвует только в двух точках: при утверждении спецификации и при проверке и слиянии PR. Остальные этапы выполняются агентами от начала до конца.
Команда также поощряла агентов задавать вопросы при неоднозначности. Это снижает объем доработок на более поздних этапах.
Что видит рецензент
Пример истории коммитов относится к миграции на Next.js для портала разработчиков. В ней видны первоначальная сборка, план и исправления от агентов безопасности, доступности, код-ревью и тестирования. Каждое исправление оформлено отдельным коммитом с меткой.
Инженерам также предоставляется сводка от каждого агента. Это позволяет быстро понять, что изменилось.
Часть 3. Стандарты
Стандарты встроены в агентов, а не добавляются после разработки.
- Безопасность. Агент проверяет соответствие рекомендациям OWASP и распространенным уязвимостям и раскрытиям (CVE). Он проводит аудит и сканирование секретов. Найденные проблемы исправляются с учетом уровня серьезности.
- Доступность. Агент проверяет соответствие WCAG 2.2 уровня AA. Проверка выполняется в реальном браузере с помощью Playwright, после чего проблемы исправляются в PR.
- Производительность. Агент использует Playwright для измерения производительности по метрикам Core Web Vitals. Команда требует, чтобы показатели измерялись, а не оценивались, до внесения исправлений.
- Наблюдаемость. Агент добавляет недостающую инструментацию.
Часть 4. Стартовые наборы и существующие репозитории
Стратегия агентов реализуется параллельно со стратегией репозиториев. Шаблоны репозиториев представляют собой стартовые наборы, доступные во всей организации. Они обеспечивают единый базовый уровень инженерной практики.
- Всего существует 10 стартовых наборов. Девять из них связаны с распространенными языками программирования, например TypeScript и Swift.
- Наборы задают практики для CI/CD, документацию и runbook с первого дня.
- Файлы agents.md и инструкции Copilot позволяют агентам понимать репозиторий сразу после подключения.
Надежные механизмы контроля обеспечивают скорость работы. В CI встроены проверки:
- проверка зависимостей;
- тесты;
- покрытие кода;
- предварительная проверка New Relic для каждого PR.
Copilot Agentic auto fix работает так: при сбое в CI-процессе агент анализирует проблему, предлагает решение и отправляет его инженеру в PR для утверждения.
Инструменты также доступны для существующих репозиториев. В этом сценарии агент оценивает репозиторий, сравнивает его с шаблонами, выявляет пробелы в подходе, готовит PR и направляет их инженеру на утверждение.
Цель всей работы — последовательность, сопровождаемость, надежность поставки и готовность к разработке с использованием ИИ.
Часть 5. Внутренний маркетплейс
Внутренний маркетплейс содержит четыре раздела: пользовательские агенты, skills, промпты и MCP-серверы. Доступ к нему имеют все инженеры компании.
- 24 агента.
- 19 skills.
- 15 MCP-серверов.
Инженеры оценивают каждый элемент по звездам и оставляют комментарии. Цель — повторное использование и доступность решений в организации и сокращение времени получения ценности. Элементы доступны в VS Code и GitHub, а установка выполняется в один клик.
Часть 6. Управление изменениями
Инструменты оказались самой простой частью работы. Наибольших усилий потребовало управление изменениями. Сотрудники опасались изменения своей роли и сомневались в происходящем. Команда работала над доверием несколькими способами.
- Предварительное чтение. До первого дня воркшопа команда получила подборку материалов о том, как ведущие организации строят агентный SDLC. Материалы включали данные Gartner и исследования McKinsey.
- Смелые идеи. Материалы подбирались так, чтобы команда думала масштабно и стремилась к трансформации работы, а не к небольшим постепенным улучшениям.
- Инженер-наставник. Главный инженер, эксперт в области ИИ, работал с командой на протяжении всего процесса. Он участвовал в ежедневных стендапах, был доступен в чате, проводил коучинговые сессии и помогал с любыми задачами.
- Практическое обучение на собственном коде. Обучение проходило на реальных задачах команды, а не на абстрактных примерах в песочнице.
- Office hours. Сотрудники могут задавать вопросы в безопасной среде. Команда также рассказывает о новых возможностях и показывает примеры работы других команд.
Для распространения ИИ в организации применялись дополнительные меры:
- Хакатон. Он прошел раньше в этом году и был посвящен исключительно сценариям использования ИИ. Все участвующие команды должны были применять ИИ. Перед соревнованием проводилось предварительное обучение. Часть разработанных решений уже перешла в production.
- Конференция. Компания планирует конференцию, посвященную ИИ, на следующий год.
Правила команды
- Люди — агенты суждения, агенты — агенты исполнения. Команда сосредотачивается на неоднозначных задачах, которые требуют человеческого суждения, опыта и вкуса. Рутинные задачи передаются агентам.
- Контекст находится там, где его видят агенты. Репозиторий и тикет устойчивы. Чат — нет. Команда признает, что чат станет частью контекста, но на момент работы над Back Pocket этого не произошло. Команда обозначила это как ожидание для сотрудников.
- Одинаковые требования для агентов и людей. Все проходит через одни и те же проверки качества.
- Аудит. Логируется каждое действие агента и каждое переопределение решения человеком.
Результаты
Показатели, которые измерила команда:
- Пропускная способность (throughput): рост на 51%. Команда ожидала снижения, поскольку перестройка процесса для сотрудников значительна и требует времени на адаптацию.
- Доля успешных прохождений (pass rate): 54%. По мнению команды, этот показатель подтверждает рост качества.
- Доля PR с помощью ИИ: 26% в начале работы и 69% к концу короткого периода. Показатель продолжает расти. Цель составляет 100%.
Докладчик отметила, что скорость и качество часто рассматриваются как альтернатива: при росте одного показатель другого снижается. Одновременный рост обоих показателей она назвала необычным.
Рост пропускной способности сам по себе не подтверждает достижение целей. Команда исходит из того, что приложение выпущено значительно быстрее: MVP создан быстрее, чем прежний MVP.
По данным исследования Korn Ferry, опубликованного около шести месяцев назад, наибольшие трудности с внедрением ИИ испытывали наиболее результативные сотрудники команд. Опыт, принесший им успех, затрудняет отказ от привычных навыков. Поэтому в процессе требовалось «разучиться» старым практикам. Также потребовалось закрепить новые ритуалы, например разработку на основе спецификаций и критическую проверку результатов агентов.
Формат ежедневного стендапа изменился. Он больше не посвящен статусу. Теперь на нем обсуждаются открытые вопросы, решения и исключения.
Что дальше
Ранее выявленные ограничения
Команда ожидала, что агенты будут работать параллельно и каждый выполнит свою задачу. На практике параллельная работа вызывала конфликты слияния (merge conflicts). Команда вернулась к подходу, при котором задачи выполняются последовательно.
Недавно команда снова изменила подход. Каждый агент оставляет комментарии, а вспомогательный агент в конце просматривает все комментарии и вносит исправления. Такой подход сочетает эффективность и упорядоченность процесса и не приводит к конфликтам слияния.
Команда также стремится выявлять неоднозначность на ранних этапах. Агенты часто действуют с полной уверенностью и выдают результат, не соответствующий замыслу.
Сокращение воркшопа
Первый воркшоп занимал три дня в помещении и требовал подготовки примерно того же объема часов. Результат был успешным, но затратным. Следующий шаг — сократить его. Команда провела воркшоп с новыми командами за три часа и получила хорошие результаты. Ожидается, что новые команды будут подключаться быстрее.
Итоги
Исходная точка работы — карта текущего состояния с множеством проблем. Конечная точка — новое приложение Back Pocket, запущенное в Юго-Восточной Азии. Сокращение сроков разработки составило 72%.
Главный вывод докладчика: перед созданием агентов следует сначала перестроить процесс. Новый двигатель не следует ставить в старую фабрику.
