Содержание слайдов

1. 1. Почему AI-copilot архитектора всё ещё не получился

   Разбор систематического обзора 51 исследования с Сергеем Барановым

2. 2. AI видит снимок. Архитектура живёт как история

3. 3. Диаграмма фиксирует форму. Решение удерживает компромисс

   Артефакт

   Диаграмма

   ADR

   Список паттернов

   Архитектура

   Почему сейчас

   Цена изменения

   Последствия позже

4. 4. Главный whitepaper обобщает исследования, а не проверяет copilot

5. 5. 51 работа получена из поиска, ручного отбора и extraction

6. 6. Ширина применения большая, глубина интеграции — нет

7. 7. Чем шире решение, тем труднее его проверить

8. 8. Три эксперимента показывают пользу — и её границы

9. 9. LLM генерирует кандидата решения, а не принятый ADR

10. 10. В эксплуатации хотя бы виден измеряемый исход

11. 11. Результат верен только внутри единицы измерения

    Что реально измерили

    Recall ответственностей · 4 проекта

    Accuracy паттерна · 3 класса

    Полнота кандидата ADR · n=95

    Deployment time · AKS-стенд

    Что из этого не следует

    Покрыты все требования

    Согласованы конфликтующие качества

    Выбрана лучшая граница системы

    Решение выдержало несколько релизов

12. 12. Авторы классифицировали 21 инструмент по шкале ISL

13. 13. Инструменты создают острова интеллекта

14. 14. Артефакты существуют. Архитектурной цепочки нет

15. 15. Из 15 проблем архитектурной практики следуют 6 требований к AI

16. 16. Реальному copilot не хватает шести способностей

17. 17. Адаптация требует памяти о длинном горизонте

    AICH1 · обновлять рекомендацию

    Факт: новая версия требования

    Триггер: code/runtime drift

    Операция: найти зависимые решения

    Выход: пересмотренный вариант + evidence

    AICH6 · помнить последствия

    Наблюдать: debt и smells

    Сопоставлять: версии и инциденты

    Оценивать: erosion между релизами

    Возвращать: сигнал в следующее решение

18. 18. Трассируемость без контекста остаётся формальной

    AICH2 · непрерывная traceability

    Requirement ↔ ADR · тип и версия

    ADR ↔ component · rationale

    Component ↔ code · ownership

    Decision ↔ runtime · evidence

    AICH3 · локальный контекст

    Доменные правила и данные

    Team topology и ownership

    Регуляторика и security boundaries

    Стоимость миграции и legacy constraints

19. 19. Экспертная проверка требует evidence, а не уверенности

    AICH4 · expert review

    Норма: отраслевой standard

    Ограничение: security/regulation

    Исключение: локальный domain rule

    Решение: кто принимает residual risk

    AICH5 · evidence-based measure

    Quality attribute: что защищаем

    Signal: чем наблюдаем

    Baseline: с чем сравниваем

    Threshold: когда меняется решение

20. 20. ArchBench стандартизирует pipeline, но не смысл метрики

21. 21. R2ABench разделяет форму, граф, смысл и evidence

22. 22. Знать ответ — не значит владеть компромиссом

23. 23. Бенчмарк измеряет способность модели, а не пользу для компании

    Что измеряет бенчмарк

    Фиксированный объект оценки

    Повторяемый вход и эталон

    Заданная метрика и исходный уровень

    Ограниченные масштаб и стоимость

    Что происходит в компании

    Неполные и меняющиеся данные

    Ограничения организации

    Конфликтующие требования к качеству

    Последствия и ответственность во времени

24. 24. Форма улучшается быстрее архитектурной связности

25. 25. Дорожная карта начинается с инфраструктуры знаний

26. 26. Решение должно прослеживаться до runtime и обратно

27. 27. AI анализирует. Архитектор владеет компромиссом

28. 28. Архитектурная база — не большой prompt

    Prompt

    Снимок контекста одного run

    Неявная версия и freshness

    Слабая provenance

    Нет owner у утверждения

    Living knowledge

    Schema + typed relations

    Версии + freshness policy

    Evidence + provenance

    Owner + review workflow

29. 29. Пройдите одно изменение в обе стороны

30. 30. Начинайте с workflow, а не с категории продукта

31. 31. Что подтверждают исследования — и где заканчиваются данные

    Главная работа: 51 исследование → 14 областей → 6 проблем → 5 опор

    Локальные результаты: точность 70% · полнота ≈75% · 95 ADR · до 34%

    Срез 21 инструмента показывает локальную автоматизацию, но не общий контур

    ArchBench / R2ABench / CAKE / SAKE улучшают оценку, но не доказывают эффект в эксплуатации

    Практический старт: живая база знаний + проверка на своих данных + ответственность человека

    AI дешевле производит форму — поэтому дороже становится связность, evidence и ownership

32. 32. Архитектурная память важнее ещё одного ответа

    Лонгрид, paper и replication package доступны по ссылкам на первом слайде

    Книжный куб

    Продолжим обсуждение архитектуры, AI4SDLC и инженерных исследований в канале.

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @Book_Cube