ИИ-агенты меняют SDLC: представлен подход Spec-Driven Agentic Development
На arXiv опубликована работа, формализующая подход Spec-Driven Agentic Development (SDAD) — новый метод разработки программного обеспечения, в котором ключевую роль играют ИИ-агенты и строгие спецификации. Авторы описывают SDAD как синтез дисциплинированной предварительной формализации и быстрой реализации, что позволяет переосмыслить традиционный жизненный цикл ПО (SDLC).
Суть метода — в выстраивании конвейера из четырёх этапов: захват намерений, создание машинно-читаемых спецификаций, агентный синтез кода и независимая многоагентная верификация с участием человека на финальной стадии. Такой подход позволяет загружать в один workflow большие объёмы контекста и требований, делая качество спецификаций главным фактором скорости и надёжности.
Исторически разработка колебалась между Waterfall и Agile. Авторы вводят понятие AI-code как четвёртой производственной парадигмы и сравнивают Human-Agile (примерно 2020 год) с Agentic-SDAD (примерно 2026-й) по таким параметрам, как артефакты, ритм работы, подотчётность и безопасность. По их мнению, агентная скорость не отменяет инженерную дисциплину, а переносит её в точность спецификаций, явные шлюзы и аудируемое происхождение кода.
Отдельно рассматривается трансформация ролей в команде: инженер, QA, платформенный и продуктовый специалисты меняют свои функции, смещаясь от рутинных задач к контролю спецификаций и верификации. Для управления процессом предлагаются количественные метрики: Ambiguity Tax (налог на неоднозначность), Spec Fidelity (точность следования спецификации), SER (оценка эффективности спецификации) и TCI_agentic с коэффициентом ремонта phi.
Практическое внедрение предлагается через гибридную оценку и поэтапный план миграции. Авторы интегрируют промышленные и исследовательские данные об ИИ-усиленном тестировании, подчёркивая важность разделения полномочий между синтезом кода и правом выпуска релиза.
Таким образом, SDAD претендует на роль методологического моста между строгостью классических подходов и скоростью современных ИИ-агентов. Пока это концептуальная работа, но она задаёт вектор для развития инструментов и практик в AI-нативной разработке.
