Agentный SDLC на внутренней LLM: инженерный подход вместо промптов

Большинство публичных материалов о разработке агентных систем ориентированы на «frontier‑модели» – крупные LLM от OpenAI, Anthropic и др. В корпоративных проектах такие модели часто недоступны: политика безопасности запрещает отправлять код и данные внешним провайдерам, а взаимодействие происходит через внутренний шлюз, где развернуты собственные, менее мощные LLM.

В таких условиях традиционный подход «промпт‑инжиниринг» теряет эффективность – слабая модель не способна последовательно соблюдать сложные процессные требования, а попытки «запрограммировать» её через длинные цепочки инструкций приводят к непредсказуемому поведению и ошибкам.

Авторы статьи из компании [название компании, если указано] предложили альтернативу – структурную инженерию. Вместо того чтобы пытаться заставить модель «понимать» процесс через текст, они формализовали ограничения в виде таблиц и справочников: * список разрешённых и запрещённых операций, * правила переходов между стадиями SDLC, * шаблоны входных и выходных артефактов. При каждом запросе агент сверяет полученный результат с этими таблицами, а при несоответствии – генерирует уточняющий запрос к модели или откатывает действие.

Ключевые элементы подхода:

1. Таблицы правил – центральный источник правды, легко обновляемый без переобучения модели.
2. Верификация на этапе – после каждой генерации результат проверяется на соответствие правилам.
3. Обратная связь – при отклонении система формирует уточняющий промпт, но уже в контексте конкретного нарушения, а не в виде общего «попробуй лучше».

В результате команда смогла построить надёжный pipeline для разработки, тестирования и деплоя кода, используя внутреннюю LLM с 7‑млрд параметров, при этом соблюдая строгие требования к безопасности данных. Статью можно прочитать полностью по ссылке: https://habr.com/ru/articles/1064140/.