ТРАНСФОРМАЦИЯ ПРОЦЕССА РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ПРИ ИСПОЛЬЗОВАНИИ АГЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ТРАНСФОРМАЦИЯ ПРОЦЕССА РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ПРИ ИСПОЛЬЗОВАНИИ АГЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Авторы публикации

Рубрика

Информационные технологии

Просмотры

3

Журнал

Журнал «Научный лидер» выпуск # 47 (300), Ноябрь ‘26

Поделиться

В статье рассматриваются изменения профессиональной разработки программного обеспечения при использовании агентов искусственного интеллекта. Проанализированы особенности постановки задач, автоматизированного изменения программного кода, тестирования и интеграции результатов. Определены новые требования к деятельности разработчика, ограничения автономных систем и перспективы изменения организации программной инженерии.

Развитие искусственного интеллекта (ИИ) постепенно меняет содержание профессиональной деятельности разработчиков программного обеспечения. Если первоначально интеллектуальные инструменты преимущественно использовались для поиска информации, объяснения программного кода и формирования отдельных функций, то распространение ИИ-агентов создаёт возможности автоматизации более продолжительных последовательностей действий. Современные агентные системы способны обращаться к файлам проекта, анализировать программную структуру, изменять исходный код, запускать команды и использовать результаты проверки для дальнейшего исправления ошибок. Это позволяет рассматривать ИИ не только как вспомогательный инструмент программиста, но и как средство частичного выполнения отдельных этапов разработки. Цель настоящей статьи заключается в анализе изменений процесса профессиональной разработки программного обеспечения при использовании ИИ-агентов, определении новых задач разработчика и оценке перспектив дальнейшего развития данной технологии. Исследование основано на сравнительном анализе научных публикаций, посвящённых агентным системам, автоматизации программной инженерии и производительности разработчиков.

Традиционный процесс разработки программного обеспечения включает анализ требований, проектирование архитектуры, написание программного кода, тестирование, внедрение и последующее сопровождение. В зависимости от сложности проекта перечисленные операции выполняются одним специалистом или распределяются между участниками команды. Даже при использовании современных сред разработки значительная часть работы предполагает непосредственное участие человека в определении последовательности действий и выборе технических решений. Обычные интеллектуальные помощники позволяют ускорять отдельные операции, однако, как правило, требуют постоянного обращения со стороны пользователя. Агентный подход отличается возможностью организовать выполнение нескольких связанных действий в рамках одной поставленной задачи.

Под ИИ-агентом в контексте программной инженерии понимается программная система, использующая языковую модель для выбора и последовательного выполнения действий во взаимодействии с цифровой средой. В отличие от инструмента, который только предлагает фрагмент кода, агент может самостоятельно определить необходимость поиска файла, изучения существующей функции, внесения изменений и запуска тестов. В систематическом обзоре Дж. Лю и соавторов рассматриваются основные направления применения агентных систем в программной инженерии, включая генерацию кода, тестирование, сопровождение программ и взаимодействие нескольких агентов [2]. При этом степень автономности конкретных решений различается, а наличие агентных функций не означает способности полностью выполнять разработку без человеческого контроля.

Одним из основных изменений становится повышение значения постановки задачи. При самостоятельном программировании специалист может постепенно уточнять собственные решения непосредственно в процессе написания кода. Для эффективного делегирования работы агенту необходимо заранее определить ожидаемый результат, ограничения и признаки успешного выполнения. Например, поручение исправить ошибку в приложении должно содержать описание неправильного поведения, условия его возникновения и требования к сохранению существующей функциональности. Недостаточно определённая задача может привести к технически работоспособному изменению, которое не соответствует действительным потребностям проекта. Таким образом, умение формулировать точные технические требования приобретает дополнительное значение.

Следующим этапом становится предоставление агенту необходимого контекста. Профессиональные программные системы обычно содержат множество взаимосвязанных компонентов, поэтому изменение отдельной функции невозможно качественно выполнить без понимания её назначения и взаимодействия с другими частями приложения. Агенту требуется изучить структуру проекта, найти соответствующие файлы, определить используемые зависимости и установить причины обнаруженной проблемы. Исследование К. Хименеса и соавторов, в рамках которого был предложен набор испытаний SWE-bench, показало сложность решения реальных задач сопровождения программного обеспечения. В исходный набор вошли 2294 задачи из открытых программных проектов, многие из которых требовали согласованного изменения нескольких компонентов [1]. Это свидетельствует о том, что профессиональная разработка не сводится к изолированному формированию программного кода.

После определения области изменений ИИ-агент может приступить к реализации решения. В зависимости от предоставленных полномочий система способна создавать новые файлы, исправлять существующие функции, обновлять тесты и выполнять команды в рабочем окружении. Подобный подход представлен в исследовании Дж. Янга и соавторов, посвящённом системе SWE-agent. Авторы показали, что специально организованное взаимодействие агента с инструментами разработки повышает возможности автоматического решения программных задач [5]. Существенную роль играет не только качество языковой модели, но и способ предоставления ей доступа к файлам, результатам выполнения команд и сообщениям об ошибках.

Вместе с тем повышение автономности не обязательно означает повышение эффективности. Чем больше действий агент выполняет самостоятельно, тем сложнее становится восстановление причин отдельного ошибочного решения. Неправильное предположение о назначении компонента может повлиять на последующие изменения, а последовательная автоматическая корректировка способна увеличивать объём лишнего кода. Исследование К. С. Ся и соавторов показывает, что относительно простой подход, основанный на последовательной локализации проблемы, исправлении и проверке результата, может успешно конкурировать с более сложными агентными архитектурами [4]. Следовательно, эффективность автоматизированной разработки определяется не количеством самостоятельных действий системы, а качеством полученного результата и затратами на его достижение.

Особое значение приобретает проверка программного кода. ИИ-агент способен сформировать решение, которое выглядит обоснованным, но содержит логические ошибки, нарушает существующие зависимости или создаёт новые уязвимости. Автоматическое прохождение тестов также не гарантирует полного соответствия требованиям, поскольку тестовое покрытие может быть неполным. Поэтому профессиональный разработчик должен оценивать не только факт выполнения программы, но и корректность алгоритмов, читаемость кода, обработку исключительных ситуаций и отсутствие нежелательных изменений. В данном случае деятельность человека частично перемещается от непосредственного написания функций к содержательной проверке предложенной реализации.

Применение агентных систем меняет и организацию тестирования. Если ранее разработчик самостоятельно определял набор необходимых проверок и запускал соответствующие инструменты, то теперь часть этих действий может быть поручена агенту. Система способна подготовить тестовые сценарии, выполнить их и предложить исправления по результатам обнаруженных ошибок. Однако сохраняется принципиальная проблема: тесты, созданные той же системой, которая сформировала программный код, могут воспроизводить её ошибочные представления о требованиях. Поэтому независимая проверка наиболее важных функций и критических сценариев остаётся необходимым условием обеспечения качества.

После проверки отдельного изменения возникает задача его интеграции в общую программную систему. В профессиональной разработке новые функции и исправления обычно проходят через систему контроля версий, процедуру рассмотрения изменений и автоматизированные проверки. При использовании ИИ-агентов данная последовательность сохраняет значение. Агент может подготовить отдельную ветку проекта и предложить набор изменений, однако решение об их включении в основную версию должно учитывать совместимость, безопасность и влияние на работу других компонентов. Особенно важно предотвращать ситуации, при которых автоматическое исправление одной проблемы создаёт несколько новых.

Существенные изменения могут происходить в распределении задач внутри команды. Разработчик получает возможность поручать агенту ограниченные операции, сохраняя собственное внимание для архитектурных решений, анализа требований и проверки наиболее ответственных компонентов. При этом появляется дополнительная работа по организации взаимодействия с агентами, оценке качества их действий и согласованию результатов. В перспективе один специалист может управлять выполнением нескольких относительно независимых задач, однако эффективность такой модели зависит от сложности проекта и возможности качественно контролировать результаты параллельной работы.

Оценка производительности при использовании ИИ требует учитывать весь цикл создания программного изменения. Скорость генерации кода сама по себе не отражает времени, необходимого для его проверки, исправления и внедрения. В метаанализе С. Майера и соавторов, опубликованном в 2026 году, выявлен умеренный положительный эффект использования генеративного ИИ на производительность программирования при существенных различиях между условиями исследований [3]. При этом обобщённые результаты относятся к инструментам генеративного программирования в целом и не могут автоматически распространяться на все автономные агентные системы. Для профессиональной разработки более обоснованным показателем эффективности является время получения проверенного и пригодного к эксплуатации результата.

Отдельного внимания заслуживают вопросы безопасности и контроля доступа. В отличие от обычного текстового помощника, ИИ-агент может обладать возможностью изменять файлы, устанавливать зависимости и выполнять команды. Предоставление таких полномочий повышает потенциальные последствия ошибок. В профессиональной среде целесообразно разграничивать доступ к рабочим и производственным системам, использовать изолированные окружения для проверки изменений и ограничивать возможность самостоятельного выполнения критических операций. При этом ответственность за последствия внедрения изменений должна сохраняться за уполномоченными участниками проекта.

Распространение ИИ-агентов влияет на требования к профессиональной квалификации. Знание языков программирования, принципов построения алгоритмов и архитектуры программных систем не утрачивает значения, но дополняется навыками постановки задач и оценки автоматически созданных решений. Разработчику необходимо понимать, когда делегирование целесообразно, какие сведения следует предоставить системе и каким способом проверить результат. Недостаточная техническая подготовка может затруднять обнаружение ошибок, даже если агент способен самостоятельно сформировать значительную часть кода. Следовательно, использование ИИ повышает значение профессионального понимания программной системы, а не устраняет потребность в нём.

Одновременно возникают новые вопросы профессионального развития начинающих специалистов. Традиционно выполнение небольших исправлений и типовых задач позволяет разработчику приобретать опыт работы с существующим кодом. Если значительная часть таких операций передаётся агентам, организациям потребуется уделять дополнительное внимание формированию практических навыков сотрудников. Данный риск не означает неизбежного исчезновения начальных профессиональных позиций, но указывает на необходимость пересмотра способов обучения непосредственно в рабочем процессе. Использование ИИ может выступать средством профессионального развития при условии, что специалист анализирует предложенные решения и сохраняет самостоятельность технического мышления.

Перспективы дальнейшей автоматизации программной инженерии связаны с расширением возможностей агентов работать с большими проектами, учитывать продолжительный контекст и координировать изменения между несколькими компонентами. Возможно развитие подходов, при которых человек формулирует требования и контролирует ключевые решения, а программные агенты выполняют значительную часть реализации и предварительной проверки. Однако такой сценарий остаётся направлением технологического развития, а не универсальной моделью уже сложившейся профессиональной практики. Его распространение будет зависеть от надёжности агентных систем, стоимости вычислений, сложности программных продуктов и требований к информационной безопасности.

Таким образом, внедрение агентов искусственного интеллекта постепенно преобразует процесс разработки программного обеспечения, расширяя возможности делегирования отдельных технических операций. Наиболее существенные изменения связаны с постановкой задач, анализом программных проектов, автоматизированным исправлением кода, тестированием и интеграцией результатов. При этом разработчик сохраняет ключевую роль в определении требований, проектировании систем, проверке качества и принятии ответственных технических решений. Дальнейшее развитие агентных технологий, вероятно, приведёт не столько к полному устранению профессии программиста, сколько к изменению содержания его деятельности и повышению значения инженерного мышления, системного понимания программных продуктов и управления автоматизированными процессами.

Список литературы

  1. Jimenez C. E., Yang J., Wettig A. [et al.]. SWE-bench: Can Language Models Resolve Real-world Github Issues? / C. E. Jimenez, J. Yang, A. Wettig [et al.] // The Twelfth International Conference on Learning Representations. — 2024. — URL: (дата обращения: 13.11.2026).
  2. Liu J., Wang K., Chen Y. [et al.]. Large Language Model-Based Agents for Software Engineering: A Survey / J. Liu, K. Wang, Y. Chen [et al.] // arXiv. — 2024. — arXiv:2409.02977. — DOI: 10.48550/arXiv.2409.02977.
  3. Maier S., Gunzenhäuser M., Schweisthal J. [et al.]. A Meta-Analysis of the Effect of Generative AI on Productivity and Learning in Programming / S. Maier, M. Gunzenhäuser, J. Schweisthal [et al.] // arXiv. — 2026. — arXiv:2605.04779. — DOI: 10.48550/arXiv.2605.04779.
  4. Xia C. S., Deng Y., Dunn S., Zhang L. Demystifying LLM-Based Software Engineering Agents / C. S. Xia, Y. Deng, S. Dunn, L. Zhang // Proceedings of the ACM on Software Engineering. — 2025. — Vol. 2, FSE. — Article FSE037. — 24 p. — DOI: 10.1145/3715754.
  5. Yang J., Jimenez C. E., Wettig A. [et al.]. SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering / J. Yang, C. E. Jimenez, A. Wettig [et al.] // Advances in Neural Information Processing Systems. — 2024. — Vol. 37. — DOI: 10.52202/079017-1601.
Справка о публикации и препринт статьи
предоставляется сразу после оплаты
Прием материалов
c по
Осталось 5 дней до окончания
Размещение электронной версии
Загрузка материалов в elibrary
Публикация за 24 часа
Узнать подробнее
Акция
Cкидка 20% на размещение статьи, начиная со второй
Бонусная программа
Узнать подробнее