Привет! На связи команда QA Automation СВОЙ Тех. Сегодня мы хотим поднять тему, которая за последний год превратилась из хайпового «вайб-кодинга» в суровую инженерную реальность. Мы поговорим об агентной разработке (AI Agents) в автоматизации тестирования.

AI-инструменты уже давно перестали быть просто «умными чатами». Сегодня Claude Code, Codex и другие агенты постепенно превращаются в полноценную инженерную инфраструĸтуру: с памятью, workflow, sub-agentʼами, orchestration и reusable праĸтиĸами.

В этой статье команда разработки СВОЙ Тех собрала праĸтиĸи, ĸоторые реально помогают использовать Claude Code эффеĸтивно. Дисклеймер: будет много списков — не обессудьте и, надеемся, вам так же, как и автору, легче усваивать информацию.

В какой‑то момент мы столкнулись с ситуацией, когда качество входящих требований от бизнеса заметно просело. Это произошло не из‑за одной причины, а из‑за сочетания факторов: изменения в командах, большое количество новых сотрудников, постоянные регуляторные изменения и, как следствие, отсутствие времени на полноценный онбординг. В быстро меняющейся среде это довольно типичная история, когда процессы не успевают адаптироваться с той же скоростью, с которой меняется сама организация.

Для функции бизнес‑анализа такие изменения особенно чувствительны. Когда требования приходят сырыми, аналитики начинают тратить время не на проработку решений, а на базовую подготовку материала к работе: уточнение целей, сбор контекста, определение границ задачи, фиксацию сценариев и устранение противоречий.

Когда аналитика превращается в расшифровку задач 

Именно это и начало происходить у нас. На вход от бизнеса мы всё чаще получали не требования, а скорее описание идеи и иногда перспективной, масштабной, но слабо структурированной. Такие запросы могли звучать примерно так: «Нужно улучшить уведомления», «Пользователи где‑то отваливаются, надо исправить», «Давайте попробуем новый оффер», «Нужно что‑то поменять в процессе». Иногда это выглядело еще проще: «Нужна интеграция с новой системой, документация во вложении» или «Нужно запустить новый эксперимент на сайте».

Формально задача есть. По факту нет ни границ, ни сценария, ни критериев успеха, ни понимания того, что именно требуется реализовать.

Мы увидели проблему одними из первых, потому что именно на нашей стороне накапливалась вся неопределенность входящих задач. Значительная часть времени начала уходить не на анализ и проработку решений, а на приведение запросов в рабочий вид. Вместо содержательной аналитики команда всё чаще занималась расшифровкой задач: проводила встречи, собирала контекст по кускам, искала связанные процессы, изучала вложения и пыталась превратить сырую идею в понятный запрос для дальнейшей работы.

Использование ИИ в разработке давно вышло за рамки генерации простых функций. Для крупного финтеха это вопрос системной интеграции и безопасности. В ИТ-кластере «СВОЙ Тех» мы постоянно ищем способы оптимизации Time-to-Market. В этом материале мы делимся опытом того, как заставить нейросети работать с легаси-кодом, зачем им доступ к Figma через MCP-протокол и почему будущее за Spec Driven Development.

Сегодня использование AI-ассистентов вроде Cursor или Windsurf стало стандартом, но многие разработчики по-прежнему используют их как «улучшенный Google». В реальности современные LLM — это изолированные вычислительные ядра, эффективность которых напрямую зависит от того, как вы выстроите архитектуру контекста.

Основываясь на коллективном опыте внедрения AI-инструментов в финтех-проекты, команда разработчиков финтех-группы «Свой» собрала системный гайд по превращению нейросети в предсказуемого и автономного агента.