Jak budujemy asystenta AI do automatyzacji praktyk IT
W dużych projektach IT rosnąca złożoność i liczba technologii powodują naturalny chaos. Dokumentacja szybko się dezaktualizuje, standardy różnią się między zespołami, a powtarzalne czynności pochłaniają czas, który inżynierowie mogliby przeznaczyć na rozwiązywanie realnych problemów biznesowych.
W naszym zespole postanowiliśmy podejść do tego systemowo. Zamiast rozwijać kolejne narzędzia wspierające pojedyncze etapy SDLC, stworzyliśmy asystenta AI, który automatyzuje kluczowe praktyki IT w jednym spójnym frameworku.
Założenia techniczne
Nasz asystent AI:
- Realizuje automatyzację zgodną z IT4IT – każdy krok praktyki to zestaw zadań, artefaktów i definicji stanów rozwoju, opisanych w formalnym modelu.
- Tworzy artefakty w sposób deterministyczny – generuje dokumentację architektoniczną (C4, Structurizr DSL, ADR), szablony i fragmenty kodu w Angular, Spring Boot, React oraz unit testy.
- Buduje traceability – automatycznie łączy wymagania z architekturą, kodem i testami, generując macierze zgodności.
- Pracuje na lightweight agentach AI – wykorzystujemy generative AI (frontier models np. LLaMA) do generowania trajektorii, a następnie szkolimy mniejsze modele z adapterami LoRA pod konkretne praktyki (np. migracja z WebMethods do Spring Boot).
- Integruje się przez API-first – działa w środowiskach cloud-native i on-premise, integrując się z narzędziami DevOps i bazami wiedzy.
Przykłady praktyk zautomatyzowanych przez asystenta
- Analiza wymagań IT – granularna walidacja wymagań biznesowych i technicznych względem bazy wiedzy i wzorców architektonicznych.
- Architektura systemu – generowanie pełnej dokumentacji C4 i ADR wraz z mapowaniem komponentów do value streams.
- Projektowanie systemu – automatyzacja realizacji use case’ów, podpowiadanie wzorców projektowych DDD i hexagonal architecture, refaktoryzacje i migracje technologiczne.
- Tworzenie kodu – generowanie spójnych szablonów i fragmentów kodu wraz z testami jednostkowymi.
- Testy E2E – automatyczne tworzenie i uruchamianie testów akceptacyjnych oraz detekcja luk w pokryciu testowym.
Podejście do tworzenia praktyk
Każda praktyka w naszym frameworku przechodzi pięcioetapowy proces:
- Identyfikacja i estymacja praktyki – wybór i analiza obszaru automatyzacji.
- Tworzenie trybów AI i definiowanie agentów – projektowanie agentów AI, ich ról, reguł i instrukcji.
- Budowa workflow – projektowanie kroków praktyki i produktów końcowych w oparciu o technologie docelowe.
- Testowanie i doskonalenie – walidacja w warunkach produkcyjnych, rozwój i obsługa edge cases.
- Optymalizacja kosztowa – generowanie trajektorii na modelu frontierowym i trenowanie mniejszych modeli z LoRA.
Dlaczego takie podejście?
Zamiast powielać ręcznie te same kroki, asystent AI umożliwia:
- Skrócenie czasu wdrażania nowych osób do projektu (dokumentacja i wzorce są zawsze aktualne).
- Utrzymanie wysokiej jakości architektury i kodu nawet w szybko skalujących się zespołach.
- Tworzenie dokumentacji i artefaktów w sposób formalny.
Co dalej?
Nasz asystent AI działa dziś w projektach enterprise, wspierając zarówno development greenfield, jak i modernizację legacy. Rozwijamy kolejne praktyki i modele wyspecjalizowane dla poszczególnych technologii.
Jeśli interesuje Cię podejście, w którym AI nie zastępuje inżyniera, ale automatyzuje żmudną pracę i pozwala skupić się na projektowaniu i rozwiązywaniu problemów, być może znajdziesz u nas przestrzeń na realizację takich idei.
