Содержание слайдов

1. 1. AI в SDLC: путь от ассистентов к агентам

   Copilots, MCP/A2A, AlphaEvolve, SE 3.0 и кейсы крупного финтеха

2. 2. Александр Поломодов

   Technical Director & Fellow, Т-Технологии

   Архитектура и инженерные практики в fintech

   AI в SDLC на масштабе тысяч инженеров

   Подкаст «Code of Leadership», @book_cube

3. 3. О чём поговорим

   6 блоков — от ассистентов к автономным агентам

   Big Tech recap: AI в SDLC

   Ассистенты -> агентный workflow

   MCP/A2A и agent protocols

   Fintech case: Spirit, T-Cover, метрики

4. 4. 01. В предыдущей серии

   Как мы интегрируем AI в SDLC — кейсы бигтехов

5. 5. Кейсы интеграции AI в SDLC

   Что обсуждали в прошлом докладе

   Datadog: AI API Governance

   ByteDance: BitsAI-CR

   Google: Java -> Kotlin

   Uber и fintech: agents at scale

6. 6. 02. Ассистенты → агенты

   От autocomplete к автономному выполнению задач

7. 7. Эпоха AI-ассистентов

   Базовая линия 2025: agent mode стал стандартом

   Copilot: agent mode

   Cursor: AI-centered IDE

   Claude Code: terminal agent

   Codex: long-running tasks

8. 8. Текущее состояние индустрии

   AI-ассистенты → автономные агенты → революция в SDLC

   Ассистент дополняет код

   Агент планирует и действует

   Loop становится автономным

   Инженер формулирует намерение

9. 9. 03. Протоколы: MCP и A2A

   Стандарты для агентов и интеграций

10. 10. Model Context Protocol

    До и после: USB-C для AI-приложений

    До MCP: N x M интеграций

    После: единый протокол

    Tools, resources, prompts

    Клиенты подключаются одинаково

11. 11. Agent-to-Agent Protocol

    Стандарт коммуникации между агентами

    Agent Card: capabilities

    Tasks: state + streaming

    MCP = инструменты

    A2A = другие агенты

12. 12. 04. Исследования и экономика

    Почему агенты — это всерьёз и надолго

13. 13. Экономические предпосылки

    Почему индустрия двигается в сторону агентов

    AI capex уже огромен

    Efficiency pressure растет

    Инференс дешевеет

    DevEx стал фактором найма

14. 14. AlphaEvolve by Google DeepMind

    Эволюционный поиск программ с LLM

    LLM ensemble + evaluators

    Borg scheduling

    TPU circuits

    GPU-ядра Gemini: +1% пропускной способности

15. 15. Future of Work with AI Agents

    Automation Desire-Capability Landscape

    Что хотят автоматизировать

    Что уже умеют модели

    Green Light Zone

    Red Light Zone

16. 16. Virtual Agent Economies

    Как агенты будут взаимодействовать друг с другом

    Permeable: открытый рынок

    Bounded: корпоративный периметр

    Платежи и репутация

    Governance против манипуляций

17. 17. 05. SE 3.0 — AI-Native Engineering

    Новая парадигма разработки софта

18. 18. Software Engineering 3.0

    От code-first к intent-first

    SE 2.0: code-first

    SE 3.0: intent-first

    Диалог становится интерфейсом

    Evals и specs — артефакты

19. 19. Measuring Developer Goals

    От Stages and Goals → к From Goals to Tools

    Путь: understand -> deploy

    Цели: speed, quality, clarity

    Инструмент под цель

    Метрика проверяет effect

20. 20. 06. Кейс крупного финтеха

    Spirit и агентский режим в продакшене

21. 21. Внутренняя платформа Spirit

    VCS, CI/CD, observability, copilot и агентский режим

    VCS с policy integration

    CI/CD и golden paths

    Sage: AI troubleshooting

    Agent mode: ticket -> PR

22. 22. Задачи в SDLC для AI

    Где агенты дают наибольшую ценность

    Code generation

    Integration testing

    Vulnerability detection

    Code review

23. 23. На что уходит время разработчика

    Coding ≠ единственная активность

    Coding: 30-35%

    Meetings: 25-30%

    Docs/context: ~12%

    Review/discussions: 10-15%

24. 24. 07. Агенты в продакшене

    T-Cover Agent, AI code review, security

25. 25. T-Cover Agent: автогенерация тестов

    Архитектура и методология оценки качества

    Анализ кода и тестов

    Генерация missing branches

    Изолированный прогон

    MKR: ~83-93%

26. 26. AI code review

    Архитектура: контекст → классификация → комментарии

    Context: diff + history

    Классификация изменений

    Комментарии по классу

    Confidence filter

27. 27. Information security агент

    AI-проверка merge requests на уязвимости

    Diff vs OWASP Top 10

    Secrets и PII

    Security policy context

    Escalation в SecOps

28. 28. Метрики эффекта от AI инициатив

    Что измеряем, чтобы понять — работает ли

    Adoption

    Acceptance

    Cycle time

    Quality + DevEx

29. 29. Главные выводы

    5 вещей, которые стоит унести с собой

    Агенты — следующая ступень

    MCP/A2A — базовые стандарты

    SE 3.0: intent-first

    Измеряйте эффект, не внедрение

30. 30. Ссылки и материалы

    Внешние источники для AI agents, протоколов и метрик; крупный финтех — кейс из практики

    DORA research

    MCP и Google A2A

    AlphaEvolve

    DevEx / SPACE

31. 31. Спасибо!

    polomodov.tech

    Все слайды и ссылки — в Telegram-канале

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @book_cube