Just AI показала, как поручить LLM рутину разработки
Команда Just AI рассказала, как с помощью LLM-агента автоматизировала не написание кода, а всё, что обычно идёт до и после него: merge request, сборки, обновление Jira, передачу задачи тестировщику и другие повторяющиеся шаги. Для этого правила работы команды перевели в текстовые инструкции и связали их с Jira, GitLab, Jenkins и Sentry.
Зачем вообще понадобился агент
В Just AI заметили, что LLM уже неплохо помогают искать по коду, разбирать ошибки и делать простые изменения. Но вокруг самой разработки остаётся большой пласт рутины: открыть задачу, оформить изменения, запустить сборку, дождаться результата, обновить статус, передать задачу дальше и списать время.
По оценке команды, на такие действия уходит примерно два-три часа из восьмичасового рабочего дня. Это не точный замер, а ориентир, но он хорошо показывает масштаб проблемы: разработчик тратит заметную часть дня не на создание продукта, а на постоянные переключения между системами и правилами команды.
Почему одного доступа к API оказалось мало
Сначала казалось, что достаточно подключить агент к сервисам и выдать ему токены. Но быстро выяснилось: технический доступ не объясняет, как именно принято работать внутри команды. Модель может сделать всё формально правильно, но выдать слишком длинный комментарий там, где тестировщику нужна короткая и понятная сводка.
Из-за этого команда решила не просто дать агенту доступ к системам, а отдельно описать правила работы. Так LLM перестаёт быть только инструментом для вызова API и начинает следовать внутреннему процессу: что делать сначала, что потом, где нужна проверка и в какой момент надо остановиться и спросить подтверждение.
Как устроили решение из трёх уровней
Команда разложила систему на три слоя. Внизу находятся MCP-серверы — они отвечают за работу с Jira, GitLab, Jenkins, Sentry и другими сервисами. Чтобы не писать интеграции вручную под каждый инструмент, для простых случаев использовали MCP Builder.
Выше расположены actions — отдельные атомарные действия, где уже прописано, как именно работать с инструментом и что проверить после выполнения. Ещё выше стоят playbooks — готовые цепочки для регулярных процессов, например для мержа изменений, запуска сборки, обновления задачи и передачи её дальше. Отдельно задаются права агента в .claude/settings.json: какие шаги он выполняет сам, а где должен запросить подтверждение. Такой подход позволяет менять один кусок процесса, не переписывая всё целиком.
Что это даёт команде на практике
Важный принцип, который выделяет Just AI: одно логическое действие — это один файл. Внутри него есть назначение, список разрешённых инструментов, шаги и проверка результата. Если границы описаны хорошо, действие не расползается на половину процесса и его легче использовать в других сценариях.
Авторы отдельно подчёркивают, что инструменты в action работают как белый список: если тул не указан, агент к нему не обращается. Это помогает ограничить его поведение и сделать работу предсказуемой. Для команды это значит меньше ручной рутины, меньше ошибок из-за забытых шагов и меньше времени на переключение между Jira, репозиторием и CI.